点云分割方法
-
Plane model segmentation (平面模型分割)
-
Euclidean Cluster Extraction (欧几里德聚类提取)
-
Conditional Euclidean Clustering(有条件的欧几里德群聚类生成)
-
Min-cut Based Segmentation (基于最少切割的分割)
-
Region growing segmentation (区域蔓延分割)
1. Plane model segmentation (平面模型分割)
基于Ransac的来做平面拟合的。在这个Plane Model Segmentation算法里,Ransac为了找到点云的平面,不停的改变平面模型(ax+by+cz+d=0)的参数:a, b, c和d。经过多次调参后,找出哪一组的参数能使得这个模型一定程度上拟合最多的点。这个程度就是由distance threshold这个参数来设置。那找到这组参数后,这些能够被拟合的点就是平面的点。
主要调参:调节distance threshold值,调大离平面更远的点也被算进平面来。distance threshold 可以等同于平面厚度阈值。只能找平面的点云。如果拿来过滤墙壁和地板就很好用。
PS:Ransac思想(不停迭代,得到一个最优的模型)
- Select a random subset of the original data. Call this subset the hypothetical inliers. 从观测数据中随机选择一个子集,称之为hypothetical inliers。
- A model is fitted to the set of hypothetical inliers.估计出适合于这些个hypothetical inliers的模型
- All other data are then tested against the fitted model. Those points that fit the estimated model well, according to some model-specific loss function, are considered as part of the consensus set. 用这个模型测试其他的数据,根据损失函数,得到符合这个模型的点,称为一致性集合:consensus set。
- The estimated model is reasonably good if sufficiently many points have been classified as part of the consensus set. 如果足够多的数据都被归类于一致性集合,那么说明这个估计的模型是正确的;如果这个集合中的数据太少,那么说明模型不合适,弃之,返回第一步。
- Afterwards, the model may be improved by reestimating it using all members of the consensus set.最后,根据一致性集合中的数据(可以认为是可靠的数据了),用最小二乘的方法重新估计模型。
2&3. Conditional Euclidean Clustering(有条件的欧几里德群聚类生成)
使用类pcl::ConditionEuclideanClustering实现点云分割,与其他分割方法不同的是该方法的聚类约束条件(欧式距离、平滑度、RGB颜色等)可以由用户自己定义,即当搜索到一个近邻点时,用户可以自定义该邻域点是否合并到当前聚类的条件。
(个人理解:欧式聚类是仅考虑到了点间距离和聚类点的数量,条件欧式聚类在此基础上,还通过比较点间法向量、曲率、密度、颜色等值,从多个角度寻找聚类点。根据经验贴,输入为xyz+i,必须考虑到intensity,相关网址)
代码
大致思路:从曲率小的面播种,从种子的位置出发,开始往四周搜索点,然后先对比点与点之间的距离是否小于距离阈值,如果是然后再比对点于点之间的法线 /Intensity /Color /Curvature 等的差距,如果差距小于阈值就视为同一个cluster。如果一个cluster无法再蔓延,在剩下的点云里再播种,然后继续重复以上步骤找新的cluster, 直到最后遍历完毕。
4. Min-cut Based Segmentation (基于最少切割的分割)
经验贴:超参较多,鲁棒性普适性较低。
官方教程
Min-cut Based Segmentation论文
5. Region growing segmentation (区域蔓延分割)
(算法适合分割规则的物体)
原理:从曲率小的面播种,从种子的位置出发,开始往四周搜索点,然后比对点于点之间的曲率和法线方向,如果差距小于阈值就视为同一个cluster。如果一个cluster无法再蔓延,在剩下的点云里再找曲率小的面播种,然后继续重复直到遍历完毕。
调参:面平滑阈值(用于对比法线)还有面的曲率阈值(用于对比曲率)是最重要的参数。如果调大了,不仅仅是同一个平面,两个平面(它们的连着处弧度变化小的)都被视为同一个cluster。主要设置聚类点数上下界,蔓延时候搜索出来多少个附近点,面平滑阈值还有面的曲率阈值。
代码