摘要：在雜亂的三維場景中提取水平面是許多機器人應用的基本步驟。針對一般平面分割方法在這一問題上的局限性，我們提出了一種新的平面提取的算法，它能夠在雜亂的有序點云或者是無序點云數據中高效的提取平面。通過預校準或慣性測量單元獲得的傳感器方向將源點云轉換為參考坐標系，提出了一種改進的區域增長算法與Z軸聚類算法結合，一種基于主成分分析（PCA）的點云聚類和分割的方法。此外，我們還提出了一種最近鄰平面匹配（NNPM）策略來保持連續序列中提取平面的穩定性。對真實場景和合成場景的定性和定量評估表明，我們的方法在對有噪聲的點云數據的處理的魯棒性、準確性和效率方面優于幾種最新的方法。

并且該算法已經在github 開源：https://github.com/DrawZeroPoint/hope

主要貢獻：

（1）根據三維點云采集設備定向的角度對點云數據進行變換從而簡化水平面提取的過程，提供了快速且穩健的點云聚類和分割以及識別的方法。

（2）以一種合理的方式盡量的減少使用閾值的數量來減少算法的不穩定性，能夠在預期的精度和高效的計算時間里達到較好的分割效果。

（3）與點云庫PCL以及機器人操作系統（ROS）兼容且開源。

文本提出了一個用于從中提取多個水平面的框架，在混亂場景中獲得的有組織的和無組織的3D點云。充分利用采集點云數據的方向信息，并簡化包括下采樣，點云聚類，細化，和結果識別，算法在第一階段使用了傳感器方向的先驗知識將源點云轉換為參考點云，其z軸指向上方。該算法框架提供了一些專用的且新穎的功能，能夠提供穩健且高效的結果。并且框架的潛在優勢還在于場景大小的可變性及其對提取的內容進行連續標識的能力。在真實數據集上的實驗表明，即便是動態的場景我們的方法可以保持結果的一致性。

-------------閱讀細節-----------

原始方法的不足：

如圖1c所示，結果可能分段不足或分段過度。這些現象在自下而上的方法中很常見，比如RegionGrowing(RG)，它的閾值無法在同時分離和合并補丁之間找到平衡。此外，對于如何將相當多的閾值與預期的輸出聯系起來，它們沒有給出明確的說明，因此用戶只能通過窮舉搜索實驗性地確定閾值。

為了解決原始方式，提出了自己的Hope理論：

（1）Hope的整個框架首先充分利用了傳感器的定位優勢。它將(如果有必要時)源點云變換為z軸向上的參考系Fr，并將所有變換后的水平面的單位法向量記為n，理想地垂直于物理地面，使變換后的n = (0,0,1) w.r.t. Fr是轉換后的坐標系。

（2）基于n的假設，我們提取出法向量落在誤差范圍內的水平面內線，然后用Z聚類策略對其進行聚類，改進的RG方法以Z軸上相鄰點的距離代替法向量或曲率的局部相似性作為生長準則，使其成為一種新的聚類方法更有效和可控的直觀閾值（詳細說明見下）。我們將聚類應用于所有的內聯函數，這樣它就不會被來自非水平區域的無關點分散注意力，從而解決了不足或過分割的問題。

（3）盡管如此，Z聚類可能會沒有區分地對一些滿足要求的法線也進行聚類但實際上他們不屬于水平面，為了解決此問題，為了解決這一問題，我們通過將每個簇的法線細分為兩組，并使用基于主成分分析（PCA）的方法，在沒有新閾值的情況下，對特定的假陽性簇（曲面和斜曲面）進行整體排除（詳細說明見下）。整個框架僅使用兩個閾值就實現最終結果，分別為在xy平面上的分辨率和沿z軸的分辨率。我們在圖1d中演示了細分的輸出。

（4）我們設法在連續的3D序列中保持每個結果平面的一致性 （此處是為了干什么？??？？），在參考坐標系相關的傳感器的運動未知時，考慮到平面段的高度和點的分布是平穩變化的最近鄰算法策略（詳細說明見下）來保留IDs。（這一步到底在保留啥暫時沒明白）

（5）值得指出的是，就其性質而言，我們的方法只能直接應用于水平面，其法向垂直于地面，或者換句話說，平行于重力方向。這一標準是必需的，因為在非結構化環境中，我們只能確保水平面與地面垂直，這樣通過將參考框架Fr的z軸與重力方向對齊，我們可以使用z聚類來檢查誤差錐和聚類點。然而，我們通常不知道任意平面甚至垂直平面關于Fr的姿態，這通常與機器人的基架相同，因此我們無法進行這種對準。但是，如果我們知道目標平面在參考框架內的相對姿態，我們可以將Fr的z軸重定向到與該平面垂直，然后使用我們的方法沿該方向提取此類目標。?

----------------分布介紹：

（1）輸入：Hope框架以數據采集過程中三維傳感器的方向和生成的三維點云作為輸入

讀了一半的文章改天接著，先發出來怕忘記了。

總結

以上是生活随笔為你收集整理的Paper1：HoPE: Horizontal Plane Extractor for Cluttered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。