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。
   
   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：
   
   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。

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。