【点云处理】Lidar点云障碍物形状估计(2)

        上一篇文章【点云处理】Lidar点云障碍物形状估计(1)讲到使用OpenCV自带的minAreaRect来估计点云的2D形状，这篇文章再来谈谈目前应用也比较多的基于L-Shape的形状估计。L-Shape算法出自论文《Effificient L-Shape Fitting for Vehicle Detection Using Laser Scanners》，在L-Shape方法中将形状估计问题作为一个优化问题来研究，提出了一种高效的基于搜索的优化方法。其基本思想是对于一个待拟合的点云簇，以迭代的方式遍历矩形的所有可能方向。每次迭代时，可以很容易地找到一个指向该方向并包含所有扫描点的矩形。

 算法输入待估点云簇中的m个点,输出是拟合矩形四条边的线性表示。矩形的可能方向θ从0°到90°不等，因为矩形的两边是正交的，我们只关心介于0°到90°之间的单条边；另一个方向就是θ+π/2。如果边的表示形式是ax+by=c，那么可以通过第12到15步得到四条边的参数。步骤7(calculate criterion)是评价标准得分，它反映矩形与点的匹配程度。c1和c2是由θ确定的两个正交边上所有点的投影。

算法提供了三个评价标准来选择拟合的矩形：

• 矩形面积最小化;

• 点到边缘贴近度最大化;

• 点到边缘平方误差最小化;

根据我自身的场景，我实验了这3种评价标准，其中VARIANCE标准效果时间较长，效果会差一些。

@AREA

@NEAST

 @VARIANCE