ros实现地面过滤+欧式聚类(boundingbox)
标签: ros实现地面过滤+欧式聚类(boundingbox) 博客 51CTO博客
2023-04-06 18:23:41 229浏览
我是一个标题
- 代码解析
- 地面分割
- 欧式聚类
- 结果可视化
- 地面滤除
- 欧式聚类
- 遇到的问题
- 调用PCL库时出现segmentation fault(core dumped)错误
- 参考
代码解析
注:完整代码请点击这篇博客
地面分割
根据论文和开源代码进行了修改,主要实现过程是这样的
- 首先是对点云根据z值进行排序
// 1. 复制一份点云
pcl::PointCloud<VPoint> cloud_org(cloud_in); // 复制一份点云
// cout << "点云复制完成" << endl;
// 2.Sort on Z-axis value
sort(cloud_in.points.begin(), cloud_in.end(), point_cmp); // 排序
// 用户排序的参数
bool point_cmp(VPoint a, VPoint b){
return a.z<b.z;
}
- 对特别低的点进行滤除
pcl::PointCloud<VPoint>::iterator it = cloud_in.points.begin();
for (size_t i = 0; i < cloud_in.points.size(); i++) { // 统计小于-1.5*sensor_height_的点数目
if (cloud_in.points[i].z < -1.5 * sensor_height_) {
it++;
} else {
break;
}
}
cloud_in.points.erase(cloud_in.points.begin(), it); // 清除 在地面下的点 ,因为之前是根据z排序了 所以很方便
// std::cout<<"清除地面下的点后的点数: " <<cloud_in.points.size()<<std::endl;
- 提取大致的地面点
// 4. Extract init ground seeds.
extract_initial_seeds_(cloud_in); // 获得待拟合的地面点
g_ground_pc = g_seeds_pc; // 待拟合的地面点
// 获得待拟合的地面点
void
GroundFit::extract_initial_seeds_(const pcl::PointCloud<VPoint>& p_sorted)
{
// LPR is the mean of low point representative
double sum = 0;
int cnt = 0;
// Calculate the mean height value.
for(size_t i=0;i<p_sorted.points.size() && cnt<num_lpr_;i++){ // 提取20个最低的点作为种子点
sum += p_sorted.points[i].z;
cnt++;
}
double lpr_height = cnt!=0?sum/cnt:0;// in case divide by 0 // 最低的20个种子点的平均值
g_seeds_pc->clear();
// iterate pointcloud, filter those height is less than lpr.height+th_seeds_ // 小于lpr_height + th_seeds_ 的点作为待拟合的地面点
for(size_t i=0;i<p_sorted.points.size();i++){
if(p_sorted.points[i].z < lpr_height + th_seeds_){
g_seeds_pc->points.push_back(p_sorted.points[i]);
} else {
break; // 因为是按顺序遍历的 所以可以直接退出循环
}
}
// return seeds points g_seeds_pc
}
- 循环拟合大致的地面点,
// 5. Ground plane fitter mainloop
for (int i = 0; i < num_iter_; i++) { // 迭代3次
// cout<<" -----------iter"<<"["<<i+1<<"]"<<"------------" <<endl;
estimate_plane_(); // g_ground_pc 进行平面拟合 得到法向量normal_ 和 th_dist_d_
g_ground_pc->clear();
g_not_ground_pc->clear();
//pointcloud to matrix
MatrixXf points(cloud_org.points.size(), 3);
int j = 0;
for (auto p:cloud_org.points) {
points.row(j++) << p.x, p.y, p.z;
}
// 得到所有点到平面的距离相关的 result
// ground plane model
VectorXf result = points * normal_; // result=Ax+By+Cz
// threshold filter
for (int r = 0; r < result.rows(); r++) {
if (result[r] < th_dist_d_) { // 到拟合的平面的距离小于th_dist_的点 作为最后的地面点
g_ground_pc->points.push_back(cloud_org[r]);
} else { // 非地面点
g_not_ground_pc->points.push_back(cloud_org[r]);
}
}
// 每次迭代输出结果
// cout<<"["<<i+1<<"]"<<" "<<"地面点: "<<g_ground_pc->points.size()<<", "<<"非地面点: "<<g_not_ground_pc->points.size()<<"\n\n\n"<<endl;
}
将确定的地面点放到g_ground_pc中,然后再使用GroundFit::estimate_plane_()再计算得到新的大致的地面点,不断拟合下去。
// 更新拟合平面的A B C D
void
GroundFit::estimate_plane_()
{
// Create covarian matrix in single pass.
// TODO: compare the efficiency.
Eigen::Matrix3f cov;
Eigen::Vector4f pc_mean; // 归一化坐标值
pcl::computeMeanAndCovarianceMatrix(*g_ground_pc, cov, pc_mean); // 对地面点(最小的n个点)进行计算协方差和平均值
// Singular Value Decomposition: SVD
JacobiSVD<MatrixXf> svd(cov,Eigen::DecompositionOptions::ComputeFullU);
// use the least singular vector as normal
normal_ = (svd.matrixU().col(2)); // 取最小的特征值对应的特征向量作为法向量
// cout<<"normal_ \n"<<normal_<<endl;
// mean ground seeds value
Eigen::Vector3f seeds_mean = pc_mean.head<3>(); // seeds_mean 地面点的平均值
// cout<<"seeds_mean \n"<<seeds_mean<<endl;
// according to normal.T*[x,y,z] = -d
d_ = -(normal_.transpose()*seeds_mean)(0,0); // 计算d D=d
// std::cout<<"d_: "<<d_<<std::endl;
// set distance threhold to `th_dist - d`
th_dist_d_ = th_dist_ - d_; // ------------------------------? // 这里只考虑在拟合的平面上方的点 小于这个范围的点当做地面
// std::cout<<"th_dist_d_=th_dist_ - d_ : "<<th_dist_d_<<std::endl;
// return the equation parameters
}
欧式聚类
这一块比较简单,可以参考原博主,主要是为了解决激光点的稀疏性不同的问题,将原始点云划分为5个范围,分别根据不同的阈值进行欧式聚类
结果可视化
地面滤除
- 代码实现:https://github.com/VincentCheungM/Run_based_segmentation
- 论文:Fast Segmentation of 3D Point Clouds: A Paradigm on LiDAR Data for Autonomous Vehicle Applications
欧式聚类
遇到的问题
调用PCL库时出现segmentation fault(core dumped)错误
当我在欧式聚类中设置KdTree时,
tree->setInputCloud(cloud_2d);
这句话会导致segmentation fault(core dumped)这个错误.
最终我把pcl使用的1.7的版本,就没报错了.
参考:
C+11编译调用PCL库时出现segmentation fault(core dumped)错误ROS初学笔记 - C++11与PCL库冲突问题
用了pcl的地方, 程序直接崩溃 挂掉
PCL:1.7.2使用时的一个问题(core dumped与-std=c++11)
Segfault on app start using Trusty Beta with packaged PCL
参考
点云地面检测算法
无人驾驶汽车系统入门(二十五)——基于欧几里德聚类的激光雷达点云分割及ROS实现
好博客就要一起分享哦!分享海报
此处可发布评论
评论(0)展开评论
展开评论