自动驾驶之3D点云聚类算法调研

mathlxj

已于 2022-12-10 11:30:17 修改

阅读量2k

点赞数 2

分类专栏：自动驾驶 CV 文章标签：聚类自动驾驶 3d点云聚类

于 2022-12-10 11:00:51 首次发布

本文链接：https://blog.csdn.net/mathlxj/article/details/128262833

版权

24 篇文章 5 订阅

订阅专栏

12 篇文章 19 订阅

订阅专栏

1. 方法

总共分为4类

思路: 在点云上构造kd-tree, 然后在某个半径阈值(例如0.5m), 则分割为一个实例。
在这里插入图片描述

Fast range image-based segmentation of sparse 3D laser scans for online operation, 2016
首先，移除地面。
基于range image，优点是直接定义了邻居关系，使得分割更加简单；避免了3D点云的生成，速度更快.

行数: 垂直方向的线数, 即16,32或64
列: 旋转一周
像素点: 雷达到物体的距离

判断两个点是否属于同一个目标，可以使用angle-based measure.

$\beta$ 的定义方法:
- 激光雷达处于原点
- y轴选择两条线中更长的线
- $\beta$ 定义为laser beam(较远的)和连接AB的线之间角度
  在range image上视为邻居条件
if they are neighbours in a the range image (we use an N4 neighbourhood on the grid)
angle $\beta$ between them is larger than $\theta=10$ 度.

问题转换为找利用range image的结构和 $\beta$ 的限制找连接的2D部分

从range image的左上角开始,遍历到右下角. 从左到右，从上到下。

广度优先，搜索上下左右四个点是否满足条件。

在这里插入图片描述

效果图
在这里插入图片描述

Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicle applications, 2017
需要实现去除地面。
scan line: 在SLR中，所有相同(水平的角度)发散出的点被认为是一个scan-line.
run. :在单个scan line中，所有距离小于阈值的点会被分组在一起，成为一个run.

Step1: SLR对第一个line, 获取第一个line的runs. 每个run有不同的label
Step2: SLR对第二个line, 重复run segmenting,检查是否新的run满足由新的阈值定义的merging条件. 如果满足merge条件,则merge. 如果没有merge,则新的run获取新的label, 直到将所有的line都扫一遍.