0. 簡介

激光雷達作為自動駕駛最常用的傳感器，經常需要使用激光雷達來做建圖、定位和感知等任務。而這時候使用降低點云規模的預處理方法，可以能夠去除無關區域的點以及降低點云規模。并能夠給后續的PCL點云分割帶來有效的收益。

1. 點云預處理

1.1 指定區域獲取點云

在實際使用中，我們可以看出，雖然點云的分布范圍較廣，但大部分的點都集中的中間區域，距離越遠點云越稀疏，相對的信息量也越小。此外還能明顯看到一些離群點，因此我們可以篩選掉一些較遠的點，只保留我們感興趣范圍內的點。以下為保留 x 在 30m，y 在 15m，z 在 2m 范圍內的點的效果：

template <class PointType> void removePointsOutsideRegion(boost::shared_ptr<pcl::PointCloud<PointType>>& src_cloud_ptr,boost::shared_ptr<pcl::PointCloud<PointType>>& dst_cloud_ptr,const std::pair<double, double>& x_range,const std::pair<double, double>& y_range,const std::pair<double, double>& z_range) {int num_points = src_cloud_ptr->points.size();boost::shared_ptr<pcl::PointCloud<PointType>> cloud_ptr(new pcl::PointCloud<PointType>());cloud_ptr->points.reserve(num_points);for (const auto& pt : src_cloud_ptr->points) {bool inside = (pt.x >= x_range.first && pt.x <= x_range.second && pt.y >= y_range.first &&pt.y <= y_range.second && pt.z >= z_range.first && pt.z <= z_range.second);if (inside) {cloud_ptr->points.push_back(pt);}}dst_cloud_ptr = cloud_ptr; }// 或者使用CropBox來實現去除給定區域外的點pcl::CropBox<pcl::PointXYZ> box_filter;box_filter.setInputCloud(cloud_ptr);box_filter.setMin(Eigen::Vector4f(keep_x_range.first, keep_y_range.first, keep_z_range.first, 1.0));box_filter.setMax(Eigen::Vector4f(keep_x_range.second, keep_y_range.second, keep_z_range.second, 1.0));box_filter.filter(*temp_cloud_ptr);

1.2 去除給定區域的點

在某些情況下，我們也會需要去除給定區域內部的點，比如在自動駕駛中激光掃描的區域有一部分來自搭載激光雷達的車子本身

template <class PointType> void filterPointsWithinRegion(boost::shared_ptr<pcl::PointCloud<PointType>>& src_cloud_ptr,boost::shared_ptr<pcl::PointCloud<PointType>>& dst_cloud_ptr,const std::pair<double, double>& x_range,const std::pair<double, double>& y_range,const std::pair<double, double>& z_range,bool remove) {int num_points = src_cloud_ptr->points.size();boost::shared_ptr<pcl::PointCloud<PointType>> cloud_ptr(new pcl::PointCloud<PointType>());cloud_ptr->points.reserve(num_points);for (const auto& pt : src_cloud_ptr->points) {bool inside = (pt.x >= x_range.first && pt.x <= x_range.second && pt.y >= y_range.first &&pt.y <= y_range.second && pt.z >= z_range.first && pt.z <= z_range.second);if (inside ^ remove) {cloud_ptr->points.push_back(pt);}}dst_cloud_ptr = cloud_ptr; }// PassThrough: 可以指定點云中的點的某個字段進行范圍限制，將其設為 true 時可以進行給定只保留給定范圍內的點的功能pcl::PassThrough<pcl::PointXYZ> pass_filter;bool reverse_limits = true;pass_filter.setInputCloud(filtered_cloud_ptr);pass_filter.setFilterFieldName("x");pass_filter.setFilterLimits(-5, 5);pass_filter.getFilterLimitsNegative(reverse_limits); // reverse the limitspass_filter.filter(*filtered_cloud_ptr);pass_filter.setFilterFieldName("y");pass_filter.setFilterLimits(-2, 2);pass_filter.getFilterLimitsNegative(reverse_limits); // reverse the limitspass_filter.filter(*filtered_cloud_ptr);pass_filter.setFilterFieldName("z");pass_filter.setFilterLimits(-2, 2);pass_filter.getFilterLimitsNegative(reverse_limits); // reverse the limitspass_filter.filter(*filtered_cloud_ptr);

1.3 點云下采樣

1.3.1 柵格化采樣

這里第一點介紹柵格化的下采樣，在 PCL 中對應的函數為體素濾波。柵格化下采樣大致的思路是計算整體點云的中心，通過計算每個點到中心的距離結合要求的分辨率計算柵格對應的坐標，并入其中，最后遍歷每個包含點的柵格計算其中點的幾何中心或者取該柵格中心加入目標點云即可。

pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;voxel_filter.setLeafSize(0.1, 0.1, 0.1);voxel_filter.setInputCloud(cloud_ptr);voxel_filter.filter(*filtered_cloud_ptr);

1.3.2 點云所在區域密度規律濾波

該方法直接基于點云分布密度進行去噪，直觀的感受是可以根據點云中每個點所在區域判斷其是否是噪聲，一般來說噪聲點所在區域都比較稀疏。

pcl::RadiusOutlierRemoval<pcl::PointXYZ>::Ptr radius_outlier_removal(new pcl::RadiusOutlierRemoval<pcl::PointXYZ>(true));radius_outlier_removal->setInputCloud(cloud_ptr);radius_outlier_removal->setRadiusSearch(1.0);radius_outlier_removal->setMinNeighborsInRadius(10);radius_outlier_removal->filter(*filtered_cloud_ptr);

1.3.3 點云所在區域分布規律濾波

除了根據稠密意以外還可以根據距離來篩選濾波，每個點計算其到周圍若干點的平均距離，如果這個平均距離相對于整體點云中所有點的平均距離較近，則認為其不是噪點

// PCL built-in radius removalpcl::StatisticalOutlierRemoval<pcl::PointXYZ>::Ptr statistical_outlier_removal(new pcl::StatisticalOutlierRemoval<pcl::PointXYZ>(true)); // set to true if we want to extract removed indicesstatistical_outlier_removal->setInputCloud(cloud_ptr);statistical_outlier_removal->setMeanK(20);statistical_outlier_removal->setStddevMulThresh(2.0);statistical_outlier_removal->filter(*filtered_cloud_ptr);

1.3.4 根據點云是否可以被穩定觀察到篩選

LOAM 中對點云中的點是否能形成可靠特征的一個判斷標準是它能否被穩定觀察到。LOAM 中著重提了這兩種情況的點是不穩定的：

• 特征成平面和掃描線近乎平行
• 特征掃描到的其中一端被另一個平面擋住，這部分的點也不穩定

template <typename PointType> void filter_occuluded_points(boost::shared_ptr<pcl::PointCloud<PointType>>& src_cloud_ptr,boost::shared_ptr<pcl::PointCloud<PointType>>& dst_cloud_ptr,int neighbor_count,float distance_threshold,float horizontal_angle_diff_threshold,boost::shared_ptr<std::vector<int>> removed_indices = nullptr) {int cloud_size = src_cloud_ptr->points.size();distance_threshold = std::fabs(distance_threshold);boost::shared_ptr<pcl::PointCloud<PointType>> cloud_ptr(new pcl::PointCloud<PointType>());cloud_ptr->points.reserve(cloud_size);std::vector<int> status(cloud_size, 0);for (int i = neighbor_count; i < cloud_size - neighbor_count; ++i) {const PointType& pt1 = src_cloud_ptr->points[i];const PointType& pt2 = src_cloud_ptr->points[i + 1];double horizontal_angle_1 = std::atan2(pt1.y, pt1.x) / M_PI * 180.0;double horizontal_angle_2 = std::atan2(pt2.y, pt2.x) / M_PI * 180.0;if (std::fabs(horizontal_angle_1 - horizontal_angle_2) > horizontal_angle_diff_threshold) continue;float range1 = std::sqrt(pt1.x * pt1.x + pt1.y * pt1.y + pt1.z * pt1.z);float range2 = std::sqrt(pt2.x * pt2.x + pt2.y * pt2.y + pt2.z * pt2.z);if (range1 - range2 > distance_threshold) // pt1 is occluded{for (int j = i; j >= i - neighbor_count; j--) {status[j] = 1;}} else if (range2 - range1 > distance_threshold) { // pt2 is occludedfor (int j = i + 1; j <= i + neighbor_count; j++) {status[j] = 1;}}}for (int i = 0; i < cloud_size; ++i) {if (status[i] == 0) {cloud_ptr->points.push_back(src_cloud_ptr->points[i]);} else if (removed_indices != nullptr) {removed_indices->push_back(i);}}dst_cloud_ptr = cloud_ptr; }

2. 特征提取

2.1 激光雷達時間序列

這一幀數據中點的排列順序為從最高的線束到最低的線束進行排列，每條線束之間點按逆時針的順序排列。目前大部分主流激光雷達應該都可以直接在點云中提供每個點對應的掃描線已經時間戳，所以其實可以不用這種粗略的方法來進行計算。

template <typename PointType> void sortPointCloudByScanLine(boost::shared_ptr<pcl::PointCloud<PointType>>& src_cloud_ptr,std::vector<boost::shared_ptr<pcl::PointCloud<PointType>>>& dst_cloud_ptr_vec) {const int N_SCAN = 64;dst_cloud_ptr_vec.resize(N_SCAN);dst_cloud_ptr_vec.clear();PointType pt;int line_id;for (int i = 0; i < src_cloud_ptr->points.size(); ++i) {pt = src_cloud_ptr->points[i];line_id = 0;double elevation_angle = std::atan2(pt.z, std::sqrt(pt.x * pt.x + pt.y * pt.y)) / M_PI * 180.0;// adapt from a-loamif (elevation_angle >= -8.83)line_id = int((2 - elevation_angle) * 3.0 + 0.5);elseline_id = 64 / 2 + int((-8.83 - elevation_angle) * 2.0 + 0.5);if (elevation_angle > 2 || elevation_angle < -24.33 || line_id > 63 || line_id < 0) {continue;}if (dst_cloud_ptr_vec[line_id] == nullptr)dst_cloud_ptr_vec[line_id] = boost::make_shared<pcl::PointCloud<PointType>>();dst_cloud_ptr_vec[line_id]->points.push_back(pt);} }

2.2 三維激光雷達壓縮成二維

…詳情請參照古月居

總結

以上是生活随笔為你收集整理的自动驾驶-激光雷达预处理/特征提取的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。