代码实战 | 用LeGO-LOAM实现BFS点云聚类和噪点剔除

本文详细介绍了LeGO-LOAM如何使用BFS点云聚类和噪声剔除技术。首先,文章阐述了地表点云聚类分割的原理,接着分析了LeGO-LOAM源码中实现这一过程的详细步骤,包括BFS搜索和角度阈值判断。最后,展示了点云聚类分割的效果,以及关键函数的实现流程,帮助理解点云处理的关键技术。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

原文链接:代码实战 | 用LeGO-LOAM实现BFS点云聚类和噪点剔除

作者介绍:Zach,移动机器人从业者,热爱移动机器人行业,立志于科技助力美好生活。他也是我们课程学员:基于LiDAR的多传感器融合SLAM:LOAM、LeGO-LOAM、LIO-SAM


LeGO-LOAM的软件框架分为五个部分:

  1. 分割聚类:这部分主要操作是分离出地面点云;同时,对剩下的点云进行聚类,剔除噪声(数量较少的点云簇,被标记为噪声);

  2. 特征提取:对分割后的点云(排除地面点云部分)进行边缘点和面点特征提取;

  3. Lidar里程计:在连续帧之间(边缘点和面点)进行特征匹配找到连续帧之间的位姿变换矩阵;

  4. Lidar Mapping:对特征进一步处理,然后在全局的 Point Cloud Map 中进行配准;

  5. Transform Integration:Transform Integration 融合了来自 Lidar Odometry 和 Lidar Mapping 的 pose estimation 进行输出最终的 pose estimate。

上一章代码实战 | 用LeGO-LOAM实现地面提取我们分析了LeGO-LOAM是如何对地面点云进行提取分离的,这一章我们将详细介绍LeGO-LOAM是如何对地表上点云进行聚类分割,以便剔除噪声点。

LeGO-LOAM论文中对地表上点云进行聚类分割参考了论文《Fast Range Image-based Segmentation of Sparse 3D Laser Scans for Online Operation》,这篇文章的作者号称分割速度极快,到底有多快!大家可以看看原论文。

我们先学习一下这篇论文实现地表点云分割原理,再详细分析一下LeGO-LOAM框架是如何实现的。

地表点云聚类分割的原理

作者先把激光雷达扫面的数据投影到一个2D的深度图上(与LeGO-LOAM的 Range Map 一样),深度图的长/横向是激光雷达单条 scan 扫描的点云,深度图的高/纵向是激光雷达的线束。需要注意的是,作者对横向数据进行了压缩。例如,870*32 表示横向个870点,32条scan。

图片

图1 Rang Map. 栅格里的值表示聚类值, -1表示无返回值.

有一点需要注意的是,2D的Range Map 左边界和右边界是相连的,因为激光雷达的扫描线是环形的。

图片

图2 点云快速分割原理示意图

在这里插入图片描述

上述方法也有一些缺陷,当激光雷达距离墙面很近时,墙上离激光雷达较远的点容易判定为另一个目标。作者认为这并不影响上述算法的实际有效性。从直观上来看,该方法确实能区分深度差异较大的点。

作者在整个分割聚类的流程中使用了 邻居的 BFS 搜索,极大的加快了聚类分割的速度,伪代码如下:

图片

图3 Range Image Label

  • 遍历Rang Map 上所有点(Line 1–8)

  • 遍历方式是逐行遍历,先行后列(Line 4–9);

  • 如果遇到未标记的像素,则执行BFS操作,并打标签(Line 6–8);

  • 对每个点进行四领域BFS搜索(Line 9–19)

  • 建立一个队列,push种子点 (Line 10)

  • 从队列中取出一个点和该点标签,判断该点与其四领域是否是同类点(Line 12–17);如果是同类点,则填入队列并打上标签(Line 18)

  • 从队列中删除刚刚取出的点(Line 19)

如果我们深层次的去思考的话,会发现BFS起到了在Rang Map 上的聚类,这样聚类出来的点云,要么同类簇点云,要么只是深度距离值存在明显差异的点云;然后再进一步使用角度阈值分离出在深度距离上存在明显差异的不同类点云;最后,对点云起到了一个很好的聚类分割效果。

LeGO-LOAM源码实现地表点云聚类分割

点云分割的主要流程是先进行地面提取(在上一篇文章中已进行说明),然后对剩下的点云进行分割聚类,最后拿分割好的点云进一步进行特征提取。在这个过程之后,只保留大物体的点云,例如地面和树干(剔除了树叶和树枝等点云),以供进一步处理。如下图所是:

图片

图4 点云聚类分割效果图

上图(a) 是原始点云,图(b)是经过聚类分割后的点云,红色的点表示地面点,剩下的点是分割后的点云。

下面对照官方代码详细说明这个过程是如何实现的。

函数 void cloudSegmentation() 实现

点云分割的代码主要由:LEGO-LOAM/src/imageProjection.cpp文件中的函数void cloudSegmentation() 实现。该函数的核心流程和作用如下图所示:

图片

图5 函数void cloudSegmentation()流程

我们先从整理上来分析这个函数的作用,后细致分析里面的具体细节。

  • Step 1: 按行遍历 RangMap 对所有的点进行聚类分割,分割的结果存储在 labelMat 中,这部分基本上实现了图3中的算法流程,稍后会对这部分进行详细的分析说明
// 1. 按行遍历所有点进行分割聚类,更新labelMat
for (size_t i = 0; i < N_SCAN; ++i) {
    for (size_t j = 0; j < Horizon_SCAN; ++j) {
        // labelMat 存储了每个点的聚类标记
        if (
### Lego-LOAM 点云数据采集概述 Lego-LOAM 是一种专为地面机器人设计的轻量化优化算法,能够实现高效的点云处理与实时六自由度姿态估计。以下是关于如何使用 Lego-LOAM 进行点云数据采集的相关说明。 #### 数据采集前准备 在进行点云数据采集之前,需确保硬件设备已正确配置并校准。通常使用的传感器包括激光雷达(LiDAR),其负责提供三维空间中的距离信息[^1]。此外,IMU(惯性测量单元)也可能作为辅助输入源之一,用于补偿运动过程中的动态变化[^5]。 #### 点云数据采集流程 1. **启动 LiDAR 设备** - 配置好激光扫描仪参数,例如频率、分辨率等设置。 - 开始记录来自周围环境反射回来的距离信号形成初始原始点云集合[^4]。 2. **初步降处理** - 应用点云分割技术去除异常值以及干扰项,比如植被遮挡或其他非刚体物体造成的杂波影响。 3. **特征提取阶段** - 对清理后的点云实施进一步分析操作,识别其中存在的显著几何特性——主要是平面平滑边界线段两类要素。 4. **构建局部地图模型** - 利用上述提取出来的关键属性创建当前观测区域内的简化表示形式即所谓“迷你地图”,以便后续匹配计算之用[^3]。 5. **保存结构化成果文件** - 将整个过程中产生的各类中间产物按照特定格式存储下来供后期深入研究或者与其他模块交互调用所需[^2]。 通过以上几个主要环节的操作即可完成一次完整的基于 Lego-LOAM 方法论指导下的高质量点云资料获取工作。 ```python import numpy as np from sensor_msgs.msg import PointCloud2, LaserScan def preprocess_point_cloud(raw_data:PointCloud2)->np.ndarray: """Preprocess raw point cloud data by filtering noise.""" filtered_points = [] # Placeholder for processed points # Implement segmentation algorithm here to remove outliers and irrelevant features. return np.array(filtered_points) def extract_features(cleaned_pc:np.ndarray)->tuple[list,list]: """Extract planar and edge features from cleaned point cloud.""" planes = [] edges = [] # Define feature extraction logic based on geometric properties. return (planes,edges) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值