【pcl教程系列】之点云目标检测整体流程

最新推荐文章于 2025-04-11 20:27:02 发布

AutoXTruck

最新推荐文章于 2025-04-11 20:27:02 发布

阅读量6.2k

点赞数 10

分类专栏：自动驾驶技术专栏文章标签：欧式聚类点云聚类检测点云检测流程总结

本文链接：https://blog.youkuaiyun.com/Small_Munich/article/details/111991840

版权

本文介绍了点云目标检测的整体流程，包括点云预处理、聚类算法和空间恢复。点云预处理主要去除非区域点云，聚类算法分为二维和三维，二维速度快但依赖预处理，三维更准确但耗时。最后通过迭代合并避免目标重复。推荐使用二维聚类。代码示例展示了流程。实际应用中，结合地图信息和快速算法可优化策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

点云目标检测概述

　　之前撰写关于点云的相关算法的博客都是如何有效的去除地面点云，得到非地面点云来为后续的检测识别等操作做铺垫。如果你对地面点去除感兴趣的话，可以参考我的之前一些关于点云分割地面的博客。本篇主要介绍一下，在无人车挂载激光雷达的时候，如何有效的识别障碍物的整体流程？当然，这里主要介绍的是传统算法在无人车上对点云数据的操作，深度学习的点云识别后续有机会再详谈。说实话，传统方式的点云目标识别，流程较为复杂，涉及算法较多。从点云接收到输出目标整个流程涉及多个环节与算法。现在，我们先看下面这个流程图，不能算所有的车载传统激光雷达的目标检测流程，也算是一个概括吧。

　　上图是一个传统激光雷达目标检测的大概流程：这里的目标检测基本上是自适应，没有依赖先验信息。这里的先验信息主要是指地图模块给予的道路信息等等。上图主要包含3大模块：

点云预处理模块：地面与非地面点云分割、ROI区域点云获取、相关滤波算法操作；
聚类算法对预处理后点云进行聚类：2维聚类、或者3维聚类；
对聚类算法后的每一个聚类簇进行三维空间box恢复：OBB或者二维LShapedFIT算法+Kd树索引；
对拟合成功的框，在二维平面上进行迭代合并，避免单个目标出现多个框；

下面我对上述的几个重要流程做一下简单的讲解：

点云预处理模块

　　点云预处理模块主要是去除不感兴趣的区域点云，只留下感兴趣区域的点云。因此，这里主要是过滤掉非ROI区域的点云，以此来为后面的聚类算法更加有效的生成目标，同时一定程度上降低聚类算法耗时。预处理模块最为重要的就是地面点的去除、然后进行一些限制区域的过滤。如果这里接收地图模块发送的车道信息则更加方便获取ROI区域。

聚类算法模块

　　上述步骤点云获取ROI区域之后，就是聚类算法上场大展身手的时候了。这里的任何聚类算法都是针对点云数据的空间性进行聚类，当然聚类的模式可分成在俯视图X-Y平面的二维聚类，还是直接三维空间聚类。二维聚类毫无疑问，速度快。但是一定程度上依赖点云预处理的效果，因为二维方法是丢弃高度z轴信息进行聚类。三维聚类，聚类速度慢但是聚类的三维几何空间较为准确，直接获取信息。

　　二维聚类算法聚类后得到的每个簇，首先进行对每个簇的框拟合，目前主要有最小面积区域拟合法与LShapedFIT拟合。LShapedFIT算法主要是针对机动车被激光雷达扫描生成的形状主要是L型的特殊框拟合，但是对于行人等效果不明显。拟合好框之后，通过Kd树进行搜索三维空间的z轴信息，以此来恢复三维的框。

　　三维聚类后，根据每个簇的三维信息直接通过OBB算法获取三维的框，不过可能三维的框旋转角度并不只是围绕z轴旋转，而是x-y也会旋转，这就是三维空间的框拟合。虽然我们无人车只需要z轴信息的旋转(也是常说的yaw角)即可。

　　最后，不论是二维还是三维聚类，都需要进行迭代合并过于接近的框。以此来避免一个车聚类出多个障碍物框。目前常用的聚类方法是欧式聚类与DBSCAN聚类。至于是二维还是三维，目前推荐使用的是二维聚类方式，主要原因在于速度的限制，三维耗时较大且OBB的三维框拟合效果并不佳。

代码小试

　　说了这么多，直接上一个小demo吧。根据pcl写的点云目标检测的显示这个流程。效果肯定不如实际的工程代码，就当做一个抛砖引玉吧。

#include <iostream>
#include <sstream>
#include <string>
#include <pcl/ModelCoefficients.h>
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/features/normal_3d.h>
#include <pcl/kdtree/kdtree.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/common/common.h>
#include <pcl/filters/crop_hull.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/filters/passthrough.h>
#include <pcl/features/moment_of_inertia_estimation.h>
#include <pcl/visualization/cloud_viewer.h>
#include <boost/thread/thread.hpp>

int main(int argc, char** argv)
{
   
	// 点云数据读取
	// pcl::PLYReader reader;
    pcl::PCDReader reader;
	pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);
	reader.read("apollo.pcd", *cloud);

	std::cout << "PointCloud before filtering has: " << cloud->points.size() << " data points." << std::endl;

    // 通过RANSAC估计二维平面进行地面点与非地面点的分割 
    pcl::SACSegmentation<pcl::PointXYZI> seg;
    pcl::PointIndices::Ptr              inliers(new pcl::PointIndices);
    pcl::ModelCoefficients::Ptr         coeffs(new pcl::ModelCoefficients)

最低0.47元/天解锁文章