基于几何特征的地面点云分割方法(汇总)
2018-03-22 22:52
676 查看
欢迎访问我的个人博客: zengzeyu.com
水平面校准
法向量
栅格高度差
栅格最低高度以上0.2米
绝对高度
平均高度
以上方法基于假设是地面点云所构成的地面为平面,而不是弧面,当然对于有倾斜角度的地面也是可以先通过水平面校准然后再进行后处理来达到目标。下面将针对以上几种方法,通过实验结果比对各自方法优劣。
找到地点所在平面
通过变换矩阵校准平面
1. 分割出大致地面点
这一步可使用栅格高度差、绝对高度、法向量等方法来进行分割,目的只需要找到大部分地面点即可,不用进行精确的分割。本文通过法向量进行分割找到地面点。
2. 找到地点所在平面
通过PCL自带函数进行处理。
通过上述代码找到平面之后,确定平面法向量就可以找到其到 z 轴的变换矩阵 T 。
3. 通过变换矩阵校准平面
将原始点云与变换矩阵 T 作点积就可得到校准后点云。
从图左下方可观察到校准后点云与原始点云有一定距离,说明激光雷达在采集数据时,其 z 轴与地面法向量不平行,而且这种情况随时都在发生。自动驾驶车辆行驶过程中,路面随时都有小的颠簸,偶尔还会有较大颠簸,如通过城市道路中的减速带,转弯时速度过大等等情况。所以校准点云是很有必要的。
计算每个栅格最低点与最高点高度差
比较 h 与预设高度差阈值 threshold 大小,对栅格进行分类
根据栅格分类,对栅格内点进行分类
设定法向量阈值 threshold 进行点分类
找到栅格内最低点,
4000
并储存其高度 h
找到栅格内点高度小于 h + 0.2,分类为地面点
根据高度阈值 threshold 对点进行分类
计算 过程 1. 得到地面点的平均高度 h
以 h 为阈值再进行分割得到地面点
这些方法可作为机器学习方法的数据集生成,为机器学习方法做好数据准备。
欢迎访问我的个人博客: zengzeyu.com
前言
激光雷达扫描得到的点云含有大部分地面点,这对后续障碍物点云的分类、识别和跟踪带来麻烦,所以需要首先滤波滤掉。传统的基于几何特征的滤波是最基本最简单的方法,目前本文尝试的有如下几种:水平面校准
法向量
栅格高度差
栅格最低高度以上0.2米
绝对高度
平均高度
以上方法基于假设是地面点云所构成的地面为平面,而不是弧面,当然对于有倾斜角度的地面也是可以先通过水平面校准然后再进行后处理来达到目标。下面将针对以上几种方法,通过实验结果比对各自方法优劣。
激光雷达地面点云分割方法
1. 水平面校准
水平面校准顾名思义就是通过找到地面点所在平面,然后进行校准点云的方法。通过此步可将数据采集阶段,采集到的地面点云相对于激光雷达 z 轴不平行校准为与之平行。目的是为后续处理提供更易于处理的点云。方法过程:
分割出大致地面点找到地点所在平面
通过变换矩阵校准平面
1. 分割出大致地面点
这一步可使用栅格高度差、绝对高度、法向量等方法来进行分割,目的只需要找到大部分地面点即可,不用进行精确的分割。本文通过法向量进行分割找到地面点。
2. 找到地点所在平面
通过PCL自带函数进行处理。
bool estimateGroundPlane(PointCloudXYZI::Ptr &in_cloud, PointCloudXYZI::Ptr &out_cloud, visualization_msgs::MarkerPtr &plane_marker, const float in_distance_thre) { //plane segmentation pcl::SACSegmentation<pcl::PointXYZI> plane_seg; pcl::PointIndices::Ptr plane_inliers ( new pcl::PointIndices ); pcl::ModelCoefficients::Ptr plane_coefficients ( new pcl::ModelCoefficients ); plane_seg.setOptimizeCoefficients (true); plane_seg.setModelType ( pcl::SACMODEL_PLANE ); plane_seg.setMethodType ( pcl::SAC_RANSAC ); plane_seg.setDistanceThreshold ( in_distance_thre ); plane_seg.setInputCloud ( in_cloud ); plane_seg.segment ( *plane_inliers, *plane_coefficients ); return true; }
通过上述代码找到平面之后,确定平面法向量就可以找到其到 z 轴的变换矩阵 T 。
3. 通过变换矩阵校准平面
将原始点云与变换矩阵 T 作点积就可得到校准后点云。
从图左下方可观察到校准后点云与原始点云有一定距离,说明激光雷达在采集数据时,其 z 轴与地面法向量不平行,而且这种情况随时都在发生。自动驾驶车辆行驶过程中,路面随时都有小的颠簸,偶尔还会有较大颠簸,如通过城市道路中的减速带,转弯时速度过大等等情况。所以校准点云是很有必要的。
2. 栅格高度差方法
方法过程:
根据栅格尺寸生成栅格计算每个栅格最低点与最高点高度差
比较 h 与预设高度差阈值 threshold 大小,对栅格进行分类
根据栅格分类,对栅格内点进行分类
方法结果
结果分析
依据对每个栅格的高度差的大小进行分类,栅格高度差方法依赖于点云数据。栅格内地面点高度差特征符合栅格高度差方法,但是对于高平台仍然符合该特征,所以对于进行栅格话之后的高平台点仍然被分类为地面点。但是,该方法的分类出的地面点包含真实的地面点。3. 法向量方法
法向量方法基于假设为计算得到的地面点法向量为竖直向上或向下,即地面点法向量值为 (0, 0, 1) 或 (0, 0, -1) 。方法过程:
计算点法向量设定法向量阈值 threshold 进行点分类
方法结果
结果分析
根据法向量方法的假设,一定要先对点云进行校正,如果不进行校正,那么很可能出现某一帧没有地面点被分割出来的极端情况(激光雷达倾斜角度过大)。法向量方法与高度差方法结果类似,对于平台类型障碍物生成的点无法有效区分。所以可以看到右视图中有部分店漂浮与真实地面点上方。4. 栅格最低高度以上0.2米方法
栅格最低高度以上 0.2 米方法中的数值 0.2 可在 0.2 附近进行选取,有论文设置为 0.15 。此方法与栅格高度差方法类似,也是基于栅格内点的高度信息来进行点分类。不过该方法并没有对栅格进行地面栅格或障碍物栅格分类,而在每个栅格内进行点的分类,最后将所有栅格内的点汇总得到地面点。方法过程:
生成栅格地图找到栅格内最低点,
4000
并储存其高度 h
找到栅格内点高度小于 h + 0.2,分类为地面点
方法结果
结果分析
栅格最低高度以上0.2米方法依赖于栅格内的最低点选取,当最地点正好是真实地面点时,结果较为正确,反之则不然。与栅格高度差方法类似,该方法对悬浮物无法处理。5. 绝对高度方法
绝对高度方法根据校准后点云高度进行分割,通过设定阈值将点云分为地面点和障碍物点。方法过程:
校准点云根据高度阈值 threshold 对点进行分类
方法结果
结果分析
绝对高度方法必须对校准点云进行操作,根据校准后点云通过设定高度阈值进行分类。从鸟瞰图可看出,远处有一部分地面点被分割为障碍物点,从结果右视图可看出,该方法对悬浮物可很好处理。6. 平均高度方法
平均高度方法是对预处理后已经包含大部分地面点进行的处理,而不能单独进行使用。本文采用栅格最低点高度以上 0.2 米方法作为预处理,其他地面点预处理也可。该方法基于假设为,预处理分割后得到点中地面点为绝大部分点,从而可根据平均高度作为进一步滤波。方法过程:
栅格最低点高度以上 0.2 米方法分割出地面点计算 过程 1. 得到地面点的平均高度 h
以 h 为阈值再进行分割得到地面点
方法结果
结果分析
平均高度方法作为其他方法的一个小的补充,可对分割出的点悬浮物点进行进一步滤波。但对当大平台场景无法处理。结论
本文对基于几何特征方法 水平面校准方法、法向量方法、栅格高度差方法、栅格最低高度以上0.2米方法、绝对高度方法、平均高度方法 等方法进行了分别分析,对各自方法优缺点进行了探讨。各个方法可以进行合理组合来达到地面点分割效果。这些方法可作为机器学习方法的数据集生成,为机器学习方法做好数据准备。
欢迎访问我的个人博客: zengzeyu.com
相关文章推荐
- 基于梯度特征与彩色特征相融合的mean shift跟踪方法
- 推荐 | 基于深度学习的图像语义分割方法回顾(附PDF下载)
- 图像分割—基于图像数据的自动选择阈值(基本全局阈值处理方法)
- 基于霍夫变换的点云分割方法
- OpenCV探索之路(二十三):特征检测和特征匹配方法汇总
- 基于点云几何特征匹配的配准概述
- 彩色图像分割方法的汇总
- 基于图像分割的立体匹配方法
- 人脸特征点检测(三)基于神经网络的方法
- 一种基于特征点匹配的图像检索方法的opencv实现
- Lucene中文分词实现方法:基于StopWord分割分词
- 基于PHP遍历数组的方法汇总分析
- 彩色图像分割方法的汇总
- 基于HALCON的视频对象分割及跟踪方法总结
- 基于伪label的一类无监督特征选择方法
- 基于图像分割的立体匹配方法
- 虹膜识别(一)--基于几何特征确定中心点
- 基于深度学习的图像语义分割技术概述之常用方法
- 基于多特征集成的图像自动标注方法研究
- 基于水平集的图像分割方法