传统算法中的点云分割方法

最新推荐文章于 2024-11-18 23:58:40 发布

小巫山云子

最新推荐文章于 2024-11-18 23:58:40 发布

阅读量594

点赞数

CC 4.0 BY-SA版权

分类专栏： Pcl 人工智能文章标签：算法人工智能

本文链接：https://blog.csdn.net/SmallPink0713/article/details/128965698

人工智能同时被 2 个专栏收录

25 篇文章

订阅专栏

Pcl

9 篇文章

订阅专栏

点云分割方法

Plane model segmentation (平面模型分割）
Euclidean Cluster Extraction （欧几里德聚类提取）
Conditional Euclidean Clustering（有条件的欧几里德群聚类生成）
Min-cut Based Segmentation (基于最少切割的分割）
Region growing segmentation (区域蔓延分割)

pcl官方文档

1. Plane model segmentation (平面模型分割）

基于Ransac的来做平面拟合的。在这个Plane Model Segmentation算法里，Ransac为了找到点云的平面，不停的改变平面模型（ax+by+cz+d=0）的参数：a, b, c和d。经过多次调参后，找出哪一组的参数能使得这个模型一定程度上拟合最多的点。这个程度就是由distance threshold这个参数来设置。那找到这组参数后，这些能够被拟合的点就是平面的点。

主要调参：调节distance threshold值，调大离平面更远的点也被算进平面来。distance threshold 可以等同于平面厚度阈值。只能找平面的点云。如果拿来过滤墙壁和地板就很好用。

PS：Ransac思想（不停迭代，得到一个最优的模型）

Select a random subset of the original data. Call this subset the hypothetical inliers. 从观测数据中随机选择一个子集，称之为hypothetical inliers。
A model is fitted to the set of hypothetical inliers.估计出适合于这些个hypothetical inliers的模型
All other data are then tested against the fitted model. Those points that fit the estimated model well, according to some model-specific loss function, are considered as part of the consensus set. 用这个模型测试其他的数据，根据损失函数，得到符合这个模型的点，称为一致性集合：consensus set。
The estimated model is reasonably good if sufficiently many points have been classified as part of the consensus set. 如果足够多的数据都被归类于一致性集合，那么说明这个估计的模型是正确的；如果这个集合中的数据太少，那么说明模型不合适，弃之，返回第一步。
Afterwards, the model may be improved by reestimating it using all members of the consensus set.最后，根据一致性集合中的数据（可以认为是可靠的数据了），用最小二乘的方法重新估计模型。

2&3. Conditional Euclidean Clustering（有条件的欧几里德群聚类生成）

使用类pcl::ConditionEuclideanClustering实现点云分割，与其他分割方法不同的是该方法的聚类约束条件（欧式距离、平滑度、RGB颜色等）可以由用户自己定义，即当搜索到一个近邻点时，用户可以自定义该邻域点是否合并到当前聚类的条件。

（个人理解：欧式聚类是仅考虑到了点间距离和聚类点的数量，条件欧式聚类在此基础上，还通过比较点间法向量、曲率、密度、颜色等值，从多个角度寻找聚类点。根据经验贴，输入为xyz+i，必须考虑到intensity，相关网址）

代码

大致思路：从曲率小的面播种，从种子的位置出发，开始往四周搜索点，然后先对比点与点之间的距离是否小于距离阈值，如果是然后再比对点于点之间的法线 /Intensity /Color /Curvature 等的差距，如果差距小于阈值就视为同一个cluster。如果一个cluster无法再蔓延，在剩下的点云里再播种，然后继续重复以上步骤找新的cluster, 直到最后遍历完毕。