自动驾驶之3D点云聚类算法调研-Toy模板网

这篇具有很好参考价值的文章主要介绍了自动驾驶之3D点云聚类算法调研。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 方法

总共分为4类

基于欧式距离的聚类
Supervoxel 聚类
深度(Depth) 聚类
Scanline Run 聚类

1.1 基于欧氏距离的聚类

思路: 在点云上构造kd-tree, 然后在某个半径阈值(例如0.5m), 则分割为一个实例。
自动驾驶之3D点云聚类算法调研

相似算法: RBNN (radially bounded nearest neighbor graph), 2008.
自动驾驶之3D点云聚类算法调研

1.2 Supervoxel Cluster

CVPR13 Voxel Cloud Connectivity Segmentation - Supervoxels for Point Clouds
3D is here: Point Cloud Library (PCL), 2011
自动驾驶之3D点云聚类算法调研

类似于K-Means

1.3 Depth Cluster

Fast range image-based segmentation of sparse 3D laser scans for online operation, 2016
首先，移除地面。
基于range image，优点是直接定义了邻居关系，使得分割更加简单；避免了3D点云的生成，速度更快.

行数: 垂直方向的线数, 即16,32或64
列: 旋转一周
像素点: 雷达到物体的距离

判断两个点是否属于同一个目标，可以使用angle-based measure.

$\beta$ 的定义方法:
- 激光雷达处于原点
- y轴选择两条线中更长的线
- $\beta$ 定义为laser beam(较远的)和连接AB的线之间角度
  在range image上视为邻居条件
if they are neighbours in a the range image (we use an N4 neighbourhood on the grid)
angle $\beta$ between them is larger than $\theta=10$ 度.

问题转换为找利用range image的结构和 $\beta$ 的限制找连接的2D部分

从range image的左上角开始,遍历到右下角. 从左到右，从上到下。

广度优先，搜索上下左右四个点是否满足条件。

自动驾驶之3D点云聚类算法调研

效果图
自动驾驶之3D点云聚类算法调研

1.4 Scanline Run Cluster

Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicle applications, 2017
需要实现去除地面。
scan line: 在SLR中，所有相同(水平的角度)发散出的点被认为是一个scan-line.
run. :在单个scan line中，所有距离小于阈值的点会被分组在一起，成为一个run.

Step1: SLR对第一个line, 获取第一个line的runs. 每个run有不同的label
Step2: SLR对第二个line, 重复run segmenting,检查是否新的run满足由新的阈值定义的merging条件. 如果满足merge条件,则merge. 如果没有merge,则新的run获取新的label, 直到将所有的line都扫一遍.