Curved-Voxel Clustering 曲率体素聚类点云分割

m0_68312479

已于 2022-08-24 22:50:15 修改

阅读量1.5k

点赞数 3

分类专栏：论文文章标签：聚类数据挖掘机器学习

于 2022-08-08 22:25:17 首次发布

本文链接：https://blog.csdn.net/m0_68312479/article/details/126237465

版权

论文专栏收录该内容

5 篇文章 1 订阅

订阅专栏

文章目录

Curved-Voxel Clustering

Curved-Voxel Clustering

摘要

三维领域分割速度太慢，不能运用到实时检测中。曲率体素聚类是一种快速准确的分割方法，主要考虑三个方面：1. 与传感器的距离；2. 方向分辨率；3. 点的稀疏性。CVC通过用哈希表控制曲率体素来提供实时性能。对于稀疏点云的处理效果较好。

1. 介绍

激光雷达视野广阔,扫描距离长，广泛应用于智能机器人，自动驾驶等。研究利用激光雷达进行预测分类，多机器人映射等。
点云分割三种主要的方法：1.3D领域直接分割；2.利用点云网分割；3.利用深度图分割。现有方法计算成本高速度慢，或者点云特征考虑不周结果不准确。
CVC又快又准确，CVC通过3个方法有效分割点云：1.引入一种新的原始空间曲率体素；2.仔细考虑点云的三种不同的属性；3.高效的哈希数据结构

在这里插入图片描述

图1：CVC与DBSCAN（空间密度聚类）算法的对比，CVC能够分割出5个人即使他们挨得比较近，DBSCAN将挨得近的两个人分成了一个聚类。

在这里插入图片描述

表1：CVC满足速度/精度/点云独特属性的分割

论文主要贡献：

新的原始空间：设计曲率体素，激光雷达优化空间单元反映点云不同的特征。
算法：CVC算法，利用优化激光雷达曲率体素和高效的哈希数据结构。
实验：展示实验结果，速度提升1.7倍，准确率提升30%

在这里插入图片描述

图二：三种不同特征的激光雷达点云：1.离传感器远点云稀疏；2.两个人靠的太近；3.行走的人脚离得远被分为另外一类。

2. 需要的特性和问题定义

A. 分割3D点云的特性

两个最近的点之间的距离随着这些点距离激光雷达传感器的距离而增大
垂直角度的分辨率比水平角度的分辨率要大得多(垂直分辨率取决于线束)
每个扫描线只提供一个点，垂直分辨率又比较第，导致径向深度差异大（尤其是倾斜物体）

好的分割方法特性：

属性1：不论与激光雷达的距离如何都能正确分组
属性2：考虑水平分辨率与垂直分辨率的差异
属性3：对连续扫描的点正确分组即使他们径向差距较大

与RBNN方法进行对比：

属性1：RBNN不能正确地将点分组，因为它使用了一个固定半径的圆。需要一种方法来动态地改变半径的距离
属性2：RBNN不能正确地分割相邻的人的圆，因为最小半径应该大于垂直方向上最近邻点之间的最小距离。需要一种对每个方向都有独立半径的方法。
属性3：倾斜物体外的两个垂直相邻点由于垂直分辨率较低，深度差较大，RBNN由于其固定半径不够，不能将其正确分组

B. 问题定义

同上A中的1.好的分割方法特性

3. 解决问题的方法

A. 回顾

挑战：
- 1)最大化分割效率。如何有效地实时分割数千个点
- 2)最大化分割精度。如何才能正确地分割每个物体，即使它们是紧密放置的
想法：
- 1)曲线体素：一种新的球面坐标
- 2）曲线体素聚类(CVC)：一种新的使用曲线体素的分割算法

B.曲率提速一种新的空间球面坐标

在这里插入图片描述

其中，每个P（ρ、θ、φ）与径向距离ρ、方位角θ、极角φ为球坐标。∆ρ、∆θ和∆φ是每个球面方向的单位尺寸参数。

1)考虑与传感器之间的距离。弯曲体素有四个边缘（在ρ方向）平行于传感器发射的激光束。当体素远离传感器时，这些边缘之间的距离就会增大。由于假设一个曲线体素内的所有点及其相邻体素都属于同一个簇(第三-c节)，因此无论它们与传感器的距离如何，点都被正确分组。
2)考虑方向性分辨率。两个独立的参数∆θ和∆φ允许分别调整弯曲体素的水平和垂直单位大小。因此，我们通过在两个方向上调整这些参数的角度分辨率来考虑方向分辨率。
3)考虑稀疏的点。独立的尺寸参数∆ρ允许弯曲体素对点进行分组，即使它们在径向方向上有深度差异。