Fast Segmentation of 3D Point Clouds: A Paradigm on LiDAR Data for Autonomous Vehicle Applications阅读

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)；

一、Ground Plane Fitting, GPF

先上伪代码图

解释：

第一步：首先根据输入的点云，进行一个按照高度的排序，选出N个高度最低的点，并求取高度平均值，作为后续初始种子的评价，根据高度和预设的阈值进行划分，得到种子点云（可以理解为地面点云的初始化）

第二步：根据获得的初始化点云，求取平面的法向量n 和 d；然后针对输入的所有点云进行一个点到平面距离的计算，获得更新的地面点云和非地面点云，在迭代N次，得到收敛的地面点云和非地面点云集合。

二、Scan Line Run, SLR

 

LSR主要是针对分割完后的非地面点集合进行一个分类、聚类。

算法流程如下

通过第一个预设好带标签的环进行标签的繁殖扩散，对于距离低于阈值的进行标签繁殖，否则进行标签的新建，当出现冲突时，合并两个冲突的标签，并保留标签ID小的。

这里面有三个问题：

1）.如何初始化第一个带标签的环；

2）.如何进行扩张，寻找最近邻；

3）.如果发生标签冲突，如何合并标签；

 

1.每个点，都有一个环内标签和点云标签，通过检测标签保证首尾跨越的问题；

2.以Kdtree的形式对点云进行存储，环内标签和点云全局标签可以进行一个转化，在寻找最近邻，通过大概的比例，求出当前点在下一环中的点环内标签；

3.（其实我没看懂，哈哈哈）大概是通过3个一维向量进行维护，待我看了参考文献再来。

代码：

ROS的发布节点源码：VincentCheungM/Run_based_segmentation: An ongoing implementation ros node on `fast segmentation of 3d point clouds: a paradigm`... ： https://github.com/VincentCheungM/Run_based_segmentation