【点云学习系列】之Fast segmentation of 3D point clouds(一)

最新推荐文章于 2023-08-09 16:31:09 发布

AutoXTruck

最新推荐文章于 2023-08-09 16:31:09 发布

阅读量2k

点赞数 4

分类专栏：自动驾驶技术专栏文章标签： GPF 点云地面分割点云地面提取

本文链接：https://blog.csdn.net/Small_Munich/article/details/108630533

版权

本文介绍了Fast segmentation of 3D point clouds的GPF算法，用于3D点云地面点的提取。GPF通过点云高度排序、候选点集选择、SVD分解求法向量和平面参数，实现地面点分割。实验证明，虽然耗时较长，但分割效果优于其他策略。目前，传统地面点分割方法在一般场景下有效，但在复杂地形面临挑战，而深度学习方法可能提供更精确但效率和数据需求较高的解决方案。

摘要由CSDN通过智能技术生成

简介

　　该篇点云论文全称为Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicle applications，文章标题不够。该篇点云论文主要分为两个阶段的创新：①点云地面点的提取(Ground Plane Fitting, GPF)；②点云扫描聚类快速提取(Scan Line Run, SLR)；本篇博文先讲解第一部分GPF，也就是地面点提取or分割。

GPF算法分析

　　说到地面点分割or提取，之前的几篇博文有过介绍几种方法：通过RANSAC回归估计地平面方式【pcl入门教程滤波系列】之GroundSegmentation滤波(一)与通过划分网格segments和bin来进行局部线拟合的方式【pcl入门教程滤波系列】之GroundSegmentation滤波(二)与借助已知地平面参数进行曲面拟合后地面估计方式【pcl入门教程滤波系列】之GroundSegmentation滤波(三)。现在我们介绍通过GPF进行地面点的提取or分割方式，GPF的思想有来自于第二篇博文中segments的思想，首先提取地面种子候选点集，再划分segments的基础上进行SVD分解求取法向量平面参数，最后迭代求取最佳法向量。下面我们通过算法伪代码来介绍一下该流程：完整代码链接将在文末贴出。

上图为GPF算法伪代码流程，下面进行简单拆解：

提取初始地面候选点集：
首先将所有点云进行高度排序，按照点云的z高度。然后获取排序后的 $1:N_{LPR}$ 个候选点集，求取平均高度 $L P R$ 。然后遍历所有点云，将高度阈值小于 $Th_{seeds}+LPR.height$ 作为初始筛选地面点集的高度。

void FloorSegment::extract_initial_seeds(const pcl::PointCloud<pcl::PointXYZI>& p_sorted)
{
   
	// LPR is the mean of low point representative
	double sum = 0;
	int cnt = 0;

	// Calculate the mean height value.
	for(size_t i = 0; i < p_sorted.points.size() &&