你好。 今天给大家总结一下IGARSS 2019点云分类挑战赛中使用的传统方法。 主要从点云曲率和密度、栅格地图和隔离场景地面三个方面使用PDAL进行介绍。
原创，泡点云有推送。
pdal 2019 ieeegrssdatafusioncontest3dpointcloudclassificationchallenge [1]使用URBANsemantic3d(us3d )数据集完成点云分割任务US3D数据集由机载激光雷达扫描(ALS )获得，内容包括两个大城市的多视图、多波段卫星图像和地面实况几何和语义标签。 对于每个地理块，提供用于评估分割算法的激光雷达数据作为点云，并为每个3D点云添加语义标签分类。
为了准确描述三维点云，仅点云的空间位置坐标是不够的。 必须计算其他参数，如密度、法线和曲率。 使用PDAL工具[2]，可以根据点云空间的位置关系计算点的密度、曲率和法向向量。
点云密度[3]反映点云在空间中的疏密程度，试图根据点云的空间坐标计算点云的密度。 计数包含在以查询点为中心、以给定长度(默认值为1.0 )为半径的球体中的点数，并按球体体积对包含查询点的统计信息的数量进行规范化。
法线和曲率[4]是点云分割中两个广泛使用的明显特征，它们采用传统的主成分分析(PCA )计算。 对于每个查询点，用k近邻算法计算其周围的k个点(k取8 )。 然后用主成分分析(PCA )进行平面拟合，计算k邻域点的特征值和特征向量。 具有最小特征值的特征向量给出了总的最大xlmdyx最佳法线方向。 将其长度缩放为1，方向朝向视点方向。 用公式1计算曲率。 其中是按升序排序的特征值。
图1计算点云法矢量k的选择对计算法线质量很重要。 k的值越小，处理时间越短。 但是，如果k值太小，就会对噪声敏感。 较大的值可能会在近似过程中补偿噪声，但会增加处理时间并导致错误的结果。 使用适当大小的不同k值生成与不同k值大小相对应的法向量和曲率。 比较法矢量和曲率区分场景中的平面是曲率的应用思路。
与二维图像中像素的有序排列不同，二维栅格地图中的点云数据是无序的，因此很难直接应用二维图像中成熟的深度学习方法。 GIS地图系统(利用卫星图像进行GPS定位的地图系统，全部称为地理信息系统)的网格地图)5)的思想，试图将三维点云数据转换为二维网格地图网格地图为每个网格赋值，本质是数据结构化和信息压缩。 该网格值表示点云的强度、类别、以及通过上述计算得到的密度、曲率等信息等网格数据所描绘的现象。 在我们的方案中，后处理部分使用一系列不同类型的栅格值的栅格图，一个场景的栅格图如图2所示。
图2二维光栅化点云图CCF BDCI2018 :阿里巴巴集团自动驾驶三维点云分割的前四种方案中[6]均使用栅格图，其处理思路为栅格图卷积神经网络。 这些方案将点云数据与传统图像检测算法同时融合，均满足10fps的硬实时要求。 (我们在IGARSS竞赛中没有使用这个观点。 IGARSS没有实时性要求)。 另外，请注意，由于栅格地图中栅格大小的限制，可能会发生空间误差； 如果将数据重建为间隔一定的网格边界，则会失去一定的精度。
在机器人室内导航领域，也有在二维网格地图上制作三维点云的方法。 结合三维地图的完整描述环境和二维地图占用存储空间小的优点进行地图制作的方法是一种有效的室内导航地图制作方法。
网格地图将整个环境平均划分为单元格网格，并为每个网格提供一个值，以表示网格中有无故障。 表示法图像适用于室内复杂环境的导航任务，但无法充分表现环境的三维结构。 [7]中提出了一种基于VSLAM技术的室内导航地图绘制方法，基于VSLAM构建环境三维点云地图后，切取机器人高度范围内的三维点云，将机器人通行区域内的点云投影到地面平面上，从而生成二维网格地图。 可以通过更新和计算平面上每个网格的占用状态来构建网格地图。 由于将环境中的3d点云投影到地面平面上，因此浮动或较低的物体可能会出现在该平面上。 用这种方法制作的二维导航地图可以包括环境的三维结构信息，有助于机器人在执行路径规划等任务时考虑环境的三维结构。
地面点分离需要分离场景中出现的地面。 自动驾驶车辆需要快速识别可通行区域地面分离是障碍物检测和识别的前提条件，在很大程度上决定了目标识别的好坏。 泡沫第68课介绍了地面分割算法，包括基于网格的方法、基于分类器的方法、基于模型的方法和基于Mesh的方法。
机载激光雷达应用领域利用点云地面滤波，区分哪些点云属于地面，哪些点云属于高于地面的地物(如建筑物、树木等)。 地面过滤是许多点云处理的基础，如分割(划分建筑物或树木)、分类(是建筑物还是树木)、参数提取(建筑物大小、树高胸径)等。
在IGARSS竞赛中使用的US3D数据集，每个场景中地板点数占一半以上，地板点几乎位于点云的底部。 如果能分割地面，不是有助于平衡各标签的数量吗？ 所以需要分割点云的地面。
我们尝试使用了[8]中介绍的基于面料模拟的机载LiDAR滤波方法[9]。 如图3所示，CSF地面滤波器首先倾倒激光点云
置，然后在顶层模拟一块具有一定刚性的布料。布料会因重力作用而覆盖在点云的最上面，最后与布料接触的点是即为地面点。当然分割完成后，发现分割出来的“地面”中，除了地面，还有建筑物和水面等类别。但这不妨碍它是优秀的地面分割算法。 图3 CSF布料滤波算法原理示意图 参考内容[1] https://competitions.codalab.org/competitions/21132#learn_the_details
[2] https://pdal.io/
[3] https://pdal.io/stages/filters.radialdensity.html?highlight=density
[4] https://pdal.io/stages/filters.normal.html?highlight=curvature
[5]http://desktop.arcgis.com/zh-cn/arcmap/10.3/manage-data/raster-and-images/what-is-raster-data.htm
[6] https://zhuanlan.zhihu.com/p/51508500
[7] 清秀的巨人, pbdyc, 王蜂, et al. 一种基于VSLAM的室内导航地图制备方法[J]. 电光与控制, 2018, 25(1).
[8] Zhang W M , Qi J B , Wan P , et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8( 6): 501.
[9] http://ramm.bnu.edu.cn/projects/CSF/
请各位关注公众号。更多的文章可以关注公众号查看。