點云PCL免費知識星球，點云論文速讀。

文章：Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Performance

作者：Seungcheol Park, Shuyu Wang, Hunjung Lim, and U Kang

編譯：點云PCL

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

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。文章僅做學術分享，如有侵權聯系刪文。未經博主同意請勿擅自轉載。

公眾號致力于分享點云處理，SLAM，三維視覺，高精地圖相關的文章與技術，歡迎各位加入我們，一起每交流一起進步,有興趣的可聯系微信：920177957。本文來自點云PCL博主的分享，未經作者允許請勿轉載，歡迎各位同學積極分享和交流。

摘要

給定3D激光雷達點云，我們如何快速準確地實現分割？快速準確地分割三維激光雷達點云是移動機器人技術中的一個重要問題，在分類、跟蹤、SLAM等領域有著廣泛的應用。盡管其重要性，但現有的方法不能同時滿足速度和精度；特別是，在3D視覺領域中執行分割的方法速度太慢，無法在實時處理中使用，在本文中，我們提出了曲率體素聚類（CVC），這是一種利用激光雷達優化的曲率體素快速準確地分割三維激光雷達點云的方法，CVC通過考慮三維激光雷達點云聚類的三個重要方面來實現精細識別：距離傳感器的距離、方向分辨率和點云的稀有性，CVC通過使用哈希表管理曲率體素，成功地提供了實時性能，特別是CVC在稀疏的3D點云上運行良好表現，實驗表明，該方法比其他分割方法快1.7倍，準確率高30%，CVC可以在一秒鐘內進行20次以上的實時分割。

主要貢獻

本文提出了基于曲率的體素聚類（CVC）方法，這是一種快速而準確的3D激光雷達點云分割方法。CVC通過引入

1）一種稱為曲率體素的新空間基元，

2）考慮到3D激光雷達點云的三個不同屬性的分割方法

3）一種高效的基于哈希的數據結構，高效、準確地分割點云。

圖1：使用Velodyne VLP-16掃描記錄的數據對CVC和DBSCAN進行分割的結果，只有CVC能正確地將五個人分開，即使他們彼此距離很近。

圖1顯示了一個有五人的3D激光雷達點云的案例研究，每種顏色表示一個簇。這里應該注意，即使五個人彼此距離很近，CVC也能正確地將他們分為五組，而DBS可能會錯誤地將他們分為三組。

表一顯示了CVC與其他方法在各個方面的比較。RBNN*表示對RBNN的改進版本。CVC是唯一一種快速且能夠準確且考慮了3D激光雷達點云分割所有獨特特性的方法。故本文的主要貢獻如下：

• 新的空間方法，我們設計了曲率體素，這是一個激光雷達優化的空間單元，反映了3D激光雷達點云的顯著特征.

• 算法，提出了CVC方法，這是一種利用激光雷達優化的曲率體素和高效的基于哈希的數據結構分割三維激光雷達點云的有效方法。

• 實驗，我們給出的實驗結果表明，CVC方法分割3D激光雷達點云的速度比其他競爭對手快1.7倍，準確度高30%。特別是，CVC具有正確區分相鄰人群的優勢。

主要內容

A. 分割三維激光雷達點云所需的屬性

由于三維點云是由激光雷達傳感器放射狀發射的激光掃描生成的，它們具有以下三個不同的屬性。

圖2:3D激光雷達點云的三個不同屬性，CVC方法設考慮所有的屬性進行精確的分割

為了從具有上述特性的激光雷達傳感器中正確分割3D點云，一種好的分割方法需要滿足以下所需屬性：

• 屬性1（考慮到與傳感器的距離）：正確分組點云，而不考慮它們與激光雷達傳感器的距離。

• 屬性2（考慮方向分辨率）：考慮水平和垂直角度分辨率的差異。

• 屬性3（考慮點云的稀疏性）：正確分組連續垂直激光掃描檢測到的點云，即使它們在徑向上有很大的深度差異。圖2示出了使用RBNN分割3D激光雷達點云的示例，RBNN將每個點分組在固定半徑r的圓中。第三列顯示RBNN的失敗案例（紅色）和所需案例（藍色）。

B. 算法概述

三維激光雷達點分割的主要挑戰如下：

1）最大限度地提高分割效率，我們如何有效地實時分割數千個點云？

2） 最大化分割精度，我們如何才能正確地分割每一個物體，即使它們距離很近？

我們用以下想法解決上述挑戰：

1）曲率體素：球坐標中的一種新型空間基元。

2）彎曲體素聚類（CVC）：一種使用曲率體素的新分割算法。提出了一種基于曲率體素的三維激光雷達數據快速準確分割方法CVC。

CVC（算法1）包括四個步驟：首先，我們將笛卡爾坐標轉換成球面坐標，P=[r；q；f]，其中r是與傳感器的徑向距離，q是方位角，f是極角。其次，我們構建一個哈希表，將曲率體素索引映射到體素內的點索引。第三，我們使用哈希表在相鄰的曲率體素中找到每個點的相鄰點。最后，我們將每個點及其鄰域合并為一個簇。圖3顯示了通過二維圖示運行CVC的示例。

圖3：CVC的步驟，使用鳥瞰圖。在第一步中，我們將笛卡爾坐標轉換成球面坐標。在第2步中，我們構建一個哈希表，將曲率體素索引映射到每個體素中包含的點的索引。在第3步中，我們在每個目標體素（包括包含目標點的體素）周圍的9個體素內找到相鄰點。在最后一步4中，我們將相鄰點組合成一個簇。請注意，附近的點被分組為不同顏色的簇。

實驗

所有實驗都是在一臺配備英特爾i7-8700處理器和32GB內存的機器上，在Ubuntu 16.04 LTS上使用機器人操作系統（ROS）Kinetic和Gazebo 7進行的。該方法將CVC與RBNN、DBSCAN和Cluster all方法進行了比較，RBNN是RBNN的改進版本，使半徑r與距離傳感器成比例，通過這種修改，RBNN*能夠滿足期望以提高精度。我們在最近的研究的基礎上分配RBNN的參數，并基于CVC實現分割。

圖5：合成數據在不同距離上的分割性能。CVC在大多數情況下給出了最大的分割頻率

圖6：真實世界數據的分割性能，CVC有效地分割真實世界的3D點云，提供高達1.7倍的分割頻率

圖7：真實世界數據的分割精度，CVC提供最高的精確度

總結

在本文中，我們提出了一種快速準確的三維激光雷達點分割方法CVC。我們設計曲率體素，一種新的空間基元，考慮3D激光雷達點的不同特征，我們還提出了一種高效的基于哈希的數據結構來加速分割，與其他分割方法相比，CVC的速度快1.7倍，準確率高30%，此外，CVC在一秒鐘內提供20次以上的分割結果，實現了對真實世界數據的實時分割效果。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

新年新姿勢

歡迎各位伙伴，一起經營知識星球，加入我們新的收費知識星球，一起分享！有興趣運營者可直接評論加群主微信！

如果你對本文感興趣，請后臺發送“知識星球”獲取二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的基于曲率的体素聚类的三维激光雷达点云实时鲁棒分割方法的全部內容，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。