点云滤波与匹配进阶
共 13227字,需浏览 27分钟
·
2023-11-07 12:35
0. 简介
之前作者专门为点云匹配写了几篇博客,但是我们发现最近几年有更多的新方法已经在不断地被使用。
同时之前有些内容也没有很好的概括,所以这里我们将作为一篇进阶文章来介绍这些方法的使用。
1. 地面点去除
处了使用一些复杂的方法(FEC)或是一些简单的方法(根据高度来滤除)以外,还可以使用Ransac的方法完成平面拟合
void RemovePointsUnderGround(const pcl::PointCloud<pcl::PointXYZI>& cloud_in,
pcl::PointCloud<pcl::PointXYZI>& cloud_out)
{
// 对输入点云进行降采样
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZI>);
pcl::VoxelGrid<pcl::PointXYZI> voxel_grid;
voxel_grid.setInputCloud(cloud_in.makeShared());
voxel_grid.setLeafSize(0.1f, 0.1f, 0.1f); // 设置体素格大小
voxel_grid.filter(*cloud_downsampled);
// 创建一个滤波器对象,用于提取地面平面
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZI>);
pcl::PassThrough<pcl::PointXYZI> pass_through;
pass_through.setInputCloud(cloud_downsampled);
pass_through.setFilterFieldName("z"); // 对z轴进行滤波
pass_through.setFilterLimits(-1.5, 0.5); // 设置滤波范围,过滤掉z轴在-1.5到0.5之间的点
pass_through.filter(*cloud_filtered);
// 创建一个分割对象,用于提取地面平面
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
pcl::SACSegmentation<pcl::PointXYZI> segmentation;
segmentation.setInputCloud(cloud_filtered);
segmentation.setModelType(pcl::SACMODEL_PLANE);
segmentation.setMethodType(pcl::SAC_RANSAC);
segmentation.setDistanceThreshold(0.1); // 设置距离阈值,点到平面的距离小于该阈值的点将被认为是地面点
segmentation.segment(*inliers, *coefficients);
// 创建一个提取对象,用于提取地面点
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_ground(new pcl::PointCloud<pcl::PointXYZI>);
pcl::ExtractIndices<pcl::PointXYZI> extract;
extract.setInputCloud(cloud_filtered);
extract.setIndices(inliers);
extract.setNegative(false); // 提取地面点,即保留inliers对应的点
extract.filter(*cloud_ground);
// 创建一个提取对象,用于提取非地面点
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_non_ground(new pcl::PointCloud<pcl::PointXYZI>);
extract.setNegative(true); // 提取非地面点,即去除inliers对应的点
extract.filter(*cloud_non_ground);
// 将结果保存到输出点云中
cloud_out = *cloud_non_ground;
}
2. PCA主成分判别
除了去除点云以外,还可以通过主成分判别来判断我们分割的是否是地面。其中eigenvectors()函数得到的矩阵中的三个列向量分别对应于数据的主成分轴。
这些主成分轴是按照数据方差的降序排列的,即第一个列向量对应的是数据的第一主成分轴,第二个列向量对应的是数据的第二主成分轴,第三个列向量对应的是数据的第三主成分轴。对于PCA的特征值和特征向量可以从这里理解:
https://blog.csdn.net/lazysnake666/article/details/122404671
bool EstimatePlane(const pcl::PointCloud<pcl::PointXYZI>& cloud)
{
// 将输入点云数据转换为PCL点云格式
for (const auto& point : cloud)
{
pcl::PointXYZ pclPoint;
pclPoint.x = point.x();
pclPoint.y = point.y();
pclPoint.z = point.z();
cloud->push_back(pclPoint);
}
// 创建PCA对象
pcl::PCA<pcl::PointXYZ> pca;
pca.setInputCloud(cloud);
// 计算主成分
Eigen::Vector3f eigenValues = pca.getEigenValues();
Eigen::Matrix3f eigenVectors = pca.getEigenVectors();
// 获取地面法向量,因为最小的就是第三列,所以最后一列是地面(0,0,1),如果是墙面那就(x,1-x,0)
Eigen::Vector3f groundNormal = eigenVectors.col(2);#eigen_vector.block<3, 1>(0, 2)//最小成分的主成分向量,对应的是地面的法线,因为地面XY都存在比较大的主成分
// 如果是其他的比如灯杆这种,一般的就会是fabs(eigen_vector.block<3, 1>(0, 0).dot(Eigen::Vector3f::UnitZ()))的形式,也就是最大主成分,沿着最大主成分方向
bool is_ground = (fabs(groundNormal.dot(
Eigen::Vector3f::UnitZ())) > 0.98) &&
(eigenValues(2) < 0.05 * 0.05);//最小得列和地面法线重合|a||b|cos,并且eigenValues重要程度满足要求,因为地面基本等于0,所以特征值也很小 https://blog.csdn.net/xinxiangwangzhi_/article/details/118228160
// 如果是其他的比如灯杆这种,一般的就会是eigen_values(0) > 10 * eigen_values(1)
return is_ground;
}
3. GICP配准
GICP配准这块在之前的博客经典论文阅读之-GICP(ICP大一统)中已经详细讲过了,下面就是一个示例代码
Eigen::Matrix4d gicp_trans(
pcl::PointCloud<PointType>::Ptr source_cloud,
pcl::PointCloud<PointType>::Ptr target_cloud) {
CHECK(source_cloud);
CHECK(target_cloud);
pcl::GeneralizedIterativeClosestPoint<PointType, PointType> gicp;
gicp.setInputSource(source_cloud);
gicp.setInputTarget(target_cloud);
gicp.setMaxCorrespondenceDistance(10.0);
gicp.setMaximumIterations(100);
gicp.setMaximumOptimizerIterations(100);
gicp.setRANSACIterations(100);
gicp.setRANSACOutlierRejectionThreshold(1.0);
gicp.setTransformationEpsilon(0.01);
gicp.setUseReciprocalCorespondences(false);
LOG(INFO) << "MaxCorrespondenceDistance: " << gicp.getMaxCorrespondenceDistance();
LOG(INFO) << "MaximumIterations: " << gicp.getMaximumIterations();
LOG(INFO) << "MaximumOptimizerIterations: " << gicp.getMaximumOptimizerIterations();
LOG(INFO) << "RANSACIterations: " << gicp.getRANSACIterations();
LOG(INFO) << "RANSACOutlierRejectionThreshold: " << gicp.getRANSACOutlierRejectionThreshold();
LOG(INFO) << "TransformationEpsilon: " << gicp.getTransformationEpsilon();
LOG(INFO) << "MaxCorrespondenceDistance: " << gicp.getMaxCorrespondenceDistance();
LOG(INFO) << "RANSACOutlierRejectionThreshold: " << gicp.getRANSACOutlierRejectionThreshold();
LOG(INFO) << "UseReciprocalCorrespondences: " << gicp.getUseReciprocalCorrespondences();
pcl::PointCloud<PointType>::Ptr aligned_source =
boost::make_shared<pcl::PointCloud<PointType>>();
gicp.align(*aligned_source);
CHECK(aligned_source);
LOG(INFO) << "Final transformation: " << std::endl << gicp.getFinalTransformation();
if (gicp.hasConverged()) {
LOG(INFO) << "GICP converged." << std::endl
<< "The score is " << gicp.getFitnessScore();
} else {
LOG(INFO) << "GICP did not converge.";
}
LOG(INFO) << "Saving aligned source cloud to: " << params_.aligned_cloud_filename;
pcl::io::savePCDFile(params_.aligned_cloud_filename, *aligned_source);
return gicp.getFinalTransformation();
}
4. ikd-Tree配准
ikd-Tree的建图配准离不开eskf的相关内容,相关的代码太多了;所以这里大概整理了一下思路, 即导入地图,然后将当前的点云与GPS结合转到全局坐标系下,然后使用ikdtree完成检索,并传入ESKF中完成优化计算(如果点比较少还可以放弃ESKF,转而用EstimatePlane来估算出平面,并利用点到平面的距离残差来估算)
int feats_down_size = 0
esekfom::esekf kf;
state_ikfom state_point;
state_point = kf.get_x();
state_point.pos = Eigen::Vector3d(init_pos[0], init_pos[1], init_pos[2]);
Eigen::Quaterniond q(init_rot[3], init_rot[0], init_rot[1], init_rot[2]);
Sophus::SO3 SO3_q(q);
state_point.rot = SO3_q;
kf.change_x(state_point);
// IMU预积分部分(也可以用GPS代替IMU做积分)
//根据最新估计位姿 增量添加点云到map
void init_ikdtree(KD_TREE<PointType> ikdtree)
{
//加载读取点云数据到cloud中
string all_points_dir(string(string(ROOT_DIR) + "PCD/") + "GlobalMap_ikdtree.pcd");
if (pcl::io::loadPCDFile<PointType>(all_points_dir, *cloud) == -1)
{
PCL_ERROR("Read file fail!\n");
}
ikdtree.set_downsample_param(filter_size_map_min);
ikdtree.Build(cloud->points);
std::cout << "---- ikdtree size: " << ikdtree.size() << std::endl;
}
void IkdTreeMapping(pcl::PointCloud<PointType>::Ptr feats_undistort)//这个拿到的是转到全局坐标系下去过噪声的点
{
KD_TREE<PointType> ikdtree;
if (ikdtree_.Root_Node == nullptr) {
KD_TREE<PointType> ikdtree;
}
pcl::VoxelGrid<PointType> downSizeFilterSurf;
downSizeFilterSurf.setLeafSize(0.5, 0.5, 0.5);
//点云下采样
downSizeFilterSurf.setInputCloud(feats_undistort);
PointCloudXYZI::Ptr feats_down_body(new PointCloudXYZI()); //畸变纠正后降采样的单帧点云,lidar系
downSizeFilterSurf.filter(*feats_down_body);
feats_down_size = feats_down_body->points.size();
// std::cout << "feats_down_size :" << feats_down_size << std::endl;
if (feats_down_size < 5)
{
ROS_WARN("No point, skip this scan!\n");
return;
}
/*** iterated state estimation ***/
Nearest_Points.resize(feats_down_size); //存储近邻点的vector
kf.update_iterated_dyn_share_modified(0.001, feats_down_body, ikdtree, Nearest_Points, 4, true);#匹配相关的内容都在里面,核心就是ikdtree.Nearest_Search
state_point = kf.get_x();
pos_lid = state_point.pos + state_point.rot.matrix() * state_point.offset_T_L_I;
}
本文仅做学术分享,如有侵权,请联系删文。
—THE END—