无人驾驶中的激光雷达（二）2019 IROS 点云分割论文复现

前言

这次为发表在2019年IROS会议上的一篇论文，名称为《Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Performance》

与其他聚类方式比较

一、论文内容

论文主要使用了一种较为传统的方法，也就是将三维点云划分为三维体素再进行邻域搜索聚类的形式，但论文中使用的不是一般的方格聚类，而是采用了基于球坐标的扇形栅格进行划分，如下图所示。

图中主要参数包括两个角度，一个距离，$\Delta \varphi$ 为垂直角度划分大小，$\Delta \theta$为水平划分角度大小，$\Delta \rho$为球坐标半径划分大小，网格的分辨率也是基于此进行划分的。

论文中指出这样划分的目的是因为点云在不同距离处点云密度不同，近密远疏，而基于此划分可以一定程度上可以自适应点云的密度分布。

论文里也对不同距离的聚类适应情况进行了展示

进行网格划分后采用27邻域的搜索方式进行邻域聚类，聚类中类别冲突处理的步骤则是参照早些年的一篇文章：《A clustering method for efficient segmentation of 3D laser data》

具体步骤如下图所示：

伪代码如下：

这里为了聚类提速，在划分网格的时候采用hash表的方式存储，便于查找。

最终结果：

不同距离对点云聚类的效果比较

在不同数据集上的聚类速度比较：

二、复现

github链接：https://github.com/wangx1996/Lidar-Segementation

这里只把论文里的东西复现并写成了接口的形式，可以自行更改用于其他框架下

具体使用：

 vector<PointAPR> papr;
 calculateAPR(*cloud_gr,papr);
 unordered_map<int, Voxel> hvoxel;
 build_hash_table(papr,hvoxel);
 vector<int> cluster_index = CVC(hvoxel,papr);
 vector<int> cluster_id;
 most_frequent_value(cluster_index, cluster_id);

calculateAPR用于计算点云每个点的两个角度和距离值；
build_hash_table用于划分网格并构建hash表；
CVC实现聚类方法
most_frequent_value进行类别汇总

输出为vector形式，长度与点云数量相同，index与点云一一对应表示该点云的类别序号

最终的一个结果：

总结

这篇论文相对来说思想比较简单，效果实际使用比较依赖三个阈值的选取，并且在聚类时有时候会把十分近的两个物体分为两个类别。