自动驾驶之3D点云聚类算法调研

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
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
自动驾驶之3D点云聚类算法调研
类似于K-Means
自动驾驶之3D点云聚类算法调研

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
    自动驾驶之3D点云聚类算法调研

    判断两个点是否属于同一个目标,可以使用angle-based measure.
    自动驾驶之3D点云聚类算法调研
    自动驾驶之3D点云聚类算法调研
    β \beta β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
    • β \beta β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 β \beta β between them is larger than θ = 10 \theta=10 θ=10度.

问题转换为 找利用range image的结构和 β \beta β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
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.
    自动驾驶之3D点云聚类算法调研
    自动驾驶之3D点云聚类算法调研
    自动驾驶之3D点云聚类算法调研

2. 测速和实现

ICCV21, A Technical Survey and Evaluation of Traditional Point Cloud Clustering
Methods for LiDAR Panoptic Segmentation
github,C++ and Python

思路: 使用Cylinder3D(CVPR2021)做语义分割,获得所有点的类别,再使用以上方法做聚类,得到实例分割结果。

数据集: SemanticKITTI

PQ (panoptic quality)
自动驾驶之3D点云聚类算法调研

Cylinder3D速度: 文章没提,github说10HZ, python代码,不知显卡类型。

速度
自动驾驶之3D点云聚类算法调研文章来源地址https://www.toymoban.com/news/detail-462775.html

到了这里,关于自动驾驶之3D点云聚类算法调研的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 自动驾驶感知——激光雷达基本概念|激光雷达点云|激光雷达的标定

    激光探测及测距系统(Light Detection and Ranging,LiDAR) 激光雷达是一种通过发射激光束探测目标的位置、速度等特征量 的雷达系统 激光波段位于0.5μm-10μm,以光电探测器为接收器件,以光学望远镜为天线。 特点 • 角分辨率、距离分辨率高 • 抗干扰能力强 • 三维坐标、反射率

    2024年02月02日
    浏览(41)
  • 基于ROS的自动驾驶 激光雷达点云物体检测 项目实战

    前言: 基于Apollo的preception与Autoware的lidar_apollo_cnn_seg_detect模块,并详细记录ROS系统上进行实时检测全部流程和踩坑,文章最后附上rosbag和rosbag的制作方法。参考文章:https://adamshan.blog.csdn.net/article/details/106157761?spm=1001.2014.3001.5502感谢大佬的杰作。 检测效果视频 环境 RTX 2060(

    2024年02月08日
    浏览(41)
  • 大盘点!汇总点云分割算法,涉及RANSAC、欧式聚类、区域增长等

    作者:PCIPG-zzl | 来源:计算机视觉工坊 添加微信:dddvisiona,备注:3D点云,拉你入群。文末附行业细分群。 点云分割的目标是将点云数据中的点分成不同的组或类别,使每个组中的点都属于同一种物体或区域。根据空间,几何和纹理等特征对点云进行划分,使同一划分内的

    2024年02月04日
    浏览(40)
  • 自动驾驶 2D 单目\双目\多目视觉方法 一(Pseudo-LiDAR,Mono3D,FCOS3D,PSMNet)

    自动驾驶中必不可少的3D场景感知。因为深度信息、目标三维尺寸等在2D感知中是无法获得的,而这些信息才是自动驾驶系统对周围环境作出正确判断的关键。想得到3D信息,最直接的方法就是采用激光雷达(LiDAR)。但是,LiDAR也有其缺点,比如成本较高,车规级产品量产困难

    2024年02月02日
    浏览(36)
  • 点云算法好书推荐(3D Point Cloud Analysis 传统、深度学习和可解释的机器学习方法)附下载链接

    书籍介绍: 本书介绍了点云;它在工业中的应用,以及最常用的数据集。它主要关注三个计算机视觉任务——点云分类、分割和配准——这是任何基于点云的系统的基础。对传统点云处理方法的概述有助于读者快速建立背景知识,而对点云方法的深度学习包括对过去几年的突

    2024年02月12日
    浏览(42)
  • 3D目标检测算法调研&FCOS/FCOS3D/FCOS3D++算法介绍

    一、综述 3D检测背景 二维目标检测算法能识别物体的类别、平面坐标以及边长,是计算机视觉中的一个基本问题。但是对于自动驾驶来说,二维信息还不足以让汽车充分感知三维立体的真实世界,当一辆智能汽车需要在道路上平稳、安全地行驶时,它必须能感知到周围物体精

    2024年02月15日
    浏览(32)
  • 【单目3D】在自动驾驶中将 2D 物体检测提升到 3D

    单目 3D 目标检测使用 RGB 图像来预测目标 3D 边界框。由于 RGB 图像中缺少关键的深度信息,因此该任务从根本上说是不适定的。然而在自动驾驶中,汽车是具有(大部分)已知形状和大小的刚体。那么一个关键的问题是如何有效地利用汽车的强大先验,在传统 2D 对象检测之上

    2024年02月19日
    浏览(36)
  • 3D点云平面拟合算法

    假设你有一组 3D 中的 n 个点,并且想要为它们拟合一个平面。 在本文中,我将推导出一个简单的、数值稳定的方法,并提供它的源代码。 听起来很好玩? 我们开始吧! NSDT工具推荐 : Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 

    2024年02月02日
    浏览(40)
  • 综述:自动驾驶中的多模态 3D 目标检测

    在驾驶场景中,自动驾驶车辆需要精准高效的感知运算,时刻预测其所处的驾驶环境。 其中,感知系统将各种传感器数据转化为语义信息,是自动驾驶系统的核心和不可缺少的组成部分。 图像具有丰富的语义信息,点云包含深度信息。 两者具有互补特性,可以提高三维物体

    2024年02月03日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包