3D点云分割论文总结

Fast Range Image-Based Segmentation of Sparse 3D Laser Scans for Online Operation

- 挑战

由于lidar点云的稀疏性,尤其在垂直方向上,即便相邻点云是来自于同一物体,它们之间也会存在着一个欧氏距离。并且随着Object与Lidar距离的增大,这个距离会越来越大,给目标识别带来的挑战也越大。

- 常见点云分割方法

主要有三类:

  1. 基于特征的方法

    这类方法通过复杂的特征来定义点云,或者先剔除地平面,然后再通过设置一定的阈值来以点之间的距离分割点云。

    这种方法能够进行准确的分割,但是计算量比较大,消耗时间,会限制在线的应用。

    但这类方式使用得好像挺多的,IMLS-SLAM用的是类似这种方法。

    典型的论文有:
    [7] B. Douillard, J. Underwood, N. Kuntz, V. Vlaskine, A. Quadros,P. Morton, and A. Frenkel. On the segmentation of 3d lidar point clouds. In Proc. of the IEEE Int. Conf. on Robotics & Automation
    (ICRA), 2011.
    [8] B. Douillard, J. Underwood, V. Vlaskine, A. Quadros, and S. Singh. A pipeline for the segmentation and classification of 3d point clouds. In Proc. of the Int. Symposium on Experimental Robotics (ISER), 2014.
    [14]K. Klasing, D. Wollherr, and M. Buss. A clustering method for efficient segmentation of 3d laser data. In Proc. of the IEEE Int. Conf. on Robotics & Automation (ICRA), pages 4043–4048, 2008.

  2. 3D 2 2D

    这类方法先将3D点云投影到地平面上的2D网格上,然后在已占用的网格上进行点云分割。这类算法速度快,适合online,但是这类方法倾向于弱分割,即当两个object离得比较近的时候,容易将它们识别为同一个object,尤其是在Z轴方向上更为明显。
    典型论文有:
    [2] J. Behley, V. Steinhage, and A. Cremers. Laser-based segment classification using a mixture of bag-of-words. In Proc. of the IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS), 2013.
    [13] M. Himmelsbach, F. v Hundelshausen, and H. Wuensche. Fast segmentation of 3d point clouds for ground vehicles. In IEEE Intelligent Vehicles Symposium, pages 560–565, 2010.
    [15] D. Korchev, S. Cheng, Y. Owechko, and K. Kim. On real-time lidar data segmentation and classification. In Proc. of the Intl. Conf. on Image Processing, Computer Vision, and Pattern Recog. (IPCV), 2013.

  3. 在range image上分割

    这篇文章使用的方法就属于这一类。具体如下:

    首先将雷达采集到的未经任何处理的点云数据转化成深度图,行数取决于雷达的线数,列数取决于雷达旋转360°采集的点数,每个像素存储点到传感器的欧式距离。
    3D点云分割论文总结_第1张图片
    具体分割方法如图所示。左图中A、B为任意两点,O为雷达所在位置,OA、OB为连续的两道光束。过A、B作一条直线,以较长的光束为y轴,β为这道光束与AB的夹角。显然,角β与A、B的深度有关。因此,可以设置一个阈值θ,当β>θ时,就判定这两个点不属于同一个物体。

    β角的计算公式为:
    在这里插入图片描述
    α 角表示雷达水平方向相邻两道光束之间的夹角,是已知的。d1和d2分别OA和OB的长度,在深度图内也是已知的。

    不难发现,对于大多数目标上的点,β值都是很大的,只有在两个点深度值差很多的时候β才会比较小。因此通过设置一个阈值θ来进行点云分割是完全可行的。该方法仅仅只用了一个参数来进行点云分割的处理,非常简单,计算速度也很快。但是也有一个缺陷,就是当雷达距离墙面很近的时候,墙上离雷达较远的点容易判定为另外一个object。

A Fast Segmentation Method of Sparse Point Clouds

对上面的缺点进行了改进,除了以β角为判别条件,还增加了一个距离条件。
3D点云分割论文总结_第2张图片
另外还利用激光雷达反射强度的差别来对under-segmentation的部分进行修正。

你可能感兴趣的:(点云处理)