从二维图像到三维空间：解决感知落地的关键断层

计算机视觉长期停留在二维图像识别，但在自动驾驶、机器人抓取、工业质检等场景中，仅知道“物体在哪里”远远不够，必须精确掌握“物体离我多远”、“姿态如何”以及“表面几何结构”。这门49讲的体系课核心在于打通从2D图像到3D空间感知的技术链路。它不局限于单一算法的调参，而是深入剖析硬件成像原理与软件数据处理之间的逻辑关系。对于从事机器视觉、嵌入式开发或自动驾驶感知的从业者而言，这是一份补齐底层认知、理解传感器数据特性的扎实教材。课程直面技术难点，比如如何在不同光照条件下保证深度数据的准确性，以及如何将原始传感器数据转化为算法可处理的统一格式。它解决的不是“怎么调用API”的问题，而是“数据从哪里来、为什么会有噪声、如何矫正”的工程本质。

适合具备编程基础，渴望理解硬件原理的进阶者

这门课不适合零基础小白。你需要具备扎实的Python或C++编程能力，熟悉线性代数基础，并了解基本的图像处理概念。课程前期会涉及针孔相机模型、双目视觉原理、结构光及TOF成像原理，这些内容需要一定的数学推导能力。如果你之前只是通过OpenCV调用现成函数，却不清楚背后的光学原理，或者面对不同品牌的深度相机（如Kinect、RealSense、Orbbec等）时感到数据混乱、无法统一处理，那么这门课非常适合你。它要求你不仅能写代码，还要能看懂数据背后的物理意义。对于转行者，建议先复习一下矩阵变换和投影几何，再进入课程学习，否则会卡在原理推导环节。课程配有详细的讲义和参考文献，适合喜欢钻研原理、希望建立完整知识体系的工程师，而非仅仅寻求速成技巧的初学者。

建议按“原理-转换-算法”路径学习，配合代码实战

建议的学习路径是：首先精读“3D传感器技术原理”部分，彻底搞懂针孔模型、畸变矫正以及双目、结构光、TOF三种主流成像方式的差异与优劣。这是整个课程的基石，不要跳过。接着重点攻克“3D数据表示和转换”章节，学习如何将TOF或RGB-D相机输出的原始数据转换为点云或网格模型，并掌握不同坐标系之间的变换。这部分内容直接关联后续所有算法的输入，必须通过配套代码亲手运行，观察数据转换前后的变化。最后再进入后期算法部分，此时你对数据特性的理解会让算法调试变得事半功倍。资料包中的代码和作业是学习的核心辅助，务必在每一讲结束后完成对应的编程作业。不要只看视频，要打开代码文件，修改参数，观察结果。例如，在畸变矫正章节，尝试故意输入错误的内参矩阵，观察图像会发生什么变形，这种反向验证比正向学习更能加深理解。学完这门课，你应具备独立选型3D传感器、编写数据预处理管线、并将原始深度数据转化为可用点云模型的能力，能够独立搭建基础的3D感知原型系统。

课程介绍

00.配套资料（代码、讲义、作业、参考文献） 01.3D感知技术介绍 01.从2D迈向3D- (2).mp4 02.3D感知特点和面临的技术难点- (2).mp4 03.3D感知相关算法简介- (2).mp4 04.课程内容介绍- (2).mp4 02.3D传感器技术原理 05.3D光学测量方法概述- (2).mp4 06.针孔相机模型及编程作业1- (2).mp4 07.双目3D视觉原理及编程作业2- (2).mp4 08.2-52-62-72-8- (2).mp4 09.结构光3D成像原理- (2).mp4 10.TOF3D成像原理- (2).mp4 11.图像畸变与矫正- (2).mp4 12.RGB-D融合概述- (2).mp4 13.软件安装及作业文件说明- (2).mp4 03.3D数据表示和转换 14.TOF深度相机数据到点云转换- (2).mp4 15.3D数据的体像素存储

课程目录

00.配套资料（代码、讲义、作业、参考文献） 01.3D感知技术介绍 01.从2D迈向3D- (2).mp4 02.3D感知特点和面临的技术难点- (2).mp4 03.3D感知相关算法简介- (2).mp4 04.课程内容介绍- (2).mp4 02.3D传感器技术原理 05.3D光学测量方法概述- (2).mp4 06.针孔相机模型及编程作业1- (2).mp4 07.双目3D视觉原理及编程作业2- (2).mp4 08.2-52-62-72-8- (2).mp4 09.结构光3D成像原理- (2).mp4 10.TOF3D成像原理- (2).mp4 11.图像畸变与矫正- (2).mp4 12.RGB-D融合概述- (2).mp4 13.软件安装及作业文件说明- (2).mp4 03.3D数据表示和转换 14.TOF深度相机数据到点云转换- (2).mp4 15.3D数据的体像素存储- (2).mp4 16.八叉数- (2).mp4 17.kd树- (2).mp4 18.三角剖分- (2).mp4 19.PLY数据文件格式 (2).mp4 04.点云数据底层处理算法 20.数据滤波与过滤 (2).mp4 20.数据滤波与过滤 .mp4 21.深度图数据滤波 .mp4 22.点云滤波平滑 .mp4 23.数据过滤 .mp4 24.数据降采样 .mp4 05.3D特征提取与参数测量 25.点云旋转和平移变换 .mp4 26.3D点云形状参数计算 .mp4 27.3D点云的几何模型参数拟合 .mp4 28.存在离群点条件下的点云几何模型参数拟合 .mp4 29.点云配准基本算法 .mp4 30.物体表面重建 .mp4 06.特征提取、前后景分割、物体检测和识别 31.特征提取与检测：基于深度图的方法 .mp4 32.特征提取与检测：基于点云的方法 .mp4 33.前后景分离：基于模型匹配的方法 .mp4 34.前后景分离：基于背景扣除的方法 .mp4 35.前后景分离：基于统计分类的方法 .mp4 36.前后景分离：背景的自适应更新 .mp4 37.几何形状的识别 .mp4 07.人体、物体识别与点云配准 38.人体肢体识别 (2).mp4 39.基于关键点特征的点云识别与粗配准流程 (2).mp4 40.SHOT点云特征提取算法 (2).mp4 41.PFH点云特征提取算法 (2).mp4 42.PPF点云识别配准算法- (2).mp4 43.问题答疑- (2).mp4 08.高级算法和数据处理 44.3D体素神经网络- (2).mp4 45.3D点云神经网络- (2).mp4 46.图滤波和图卷积- (2).mp4 47.图卷积神经网络- (2).mp4 48.3D人脸识别：3DMM人脸模型- (2).mp4 49.3D人脸识别：神经网络3D人脸识别- (2).mp4