【点云学习系列】之Efficient L-Shape Fitting for Vehicle Detection Using Laser Scanners

简介

　　今天说一下该篇论文Efficient L-Shape Fitting for Vehicle Detection Using Laser Scanners主要是讲解关于车辆的点云box拟合的问题，车辆拟合是检测与跟踪较为重要的环节，因此该篇论文提出L-Shape Fitting的拟合方式获取较为鲁棒、稳定的效果，且算法高效。下面我们较为详细的介绍一下该篇论文：

算法模块分析

文末链接该篇论文的C++/Python的代码链接

算法主要流程

L-Shape Fitting主要是对点云聚类后的物体进行障碍物三维尺寸的拟合，即$(x,y,z,width,height,depth,yaw)$。该论文主要为2个步骤：

1. 用高效kd-tree数据结构存储点云，然后通过距离阈值$r$来进行点云聚类，将点云聚类成为$n$个点云簇。每个点云簇代表一个障碍物的候选。

2. 该算法对box拟合采取基于搜索方式的优化来获取最佳的L-Shape拟合。其主要思想：遍历所有的方向，在每次迭代时候，可以得到该方向的点云簇的矩形；依据该点云簇可以轻易得到所有点到该矩形四条边的距离；依据这些距离将所有的点划分成为两个子集$p$和$q$，通过最小二乘来计算误差目标函数。我们计算误差的方式主要有三种：矩形区域面积最小化、点到边最近距离最小化、点到边最小平方误差最小化。

　　说到这里该论文主要思想已经差不多了，下面就上一些干货，通过论文与代码来将几个关键环节进行解释：

优化标准之矩形区域面积最小化：

代码实现部分：
　　其中函数入参$c_1$和$c_2$主要是所有点云的三维点$(x_i,y_i,z_i)$去掉$z_i$坐标的二维点$(x_i,y_i)$，二维点乘以当前方向的角度$\theta$。其中计算公式为：
$$c_1=x_{i}cos\theta +y_{i}sin\theta$$

c 2 = − x i s i n θ + y i