无人驾驶传感器融合(含代码).pdfVIP

详解 激光雷达、毫米波雷达、相机 激光雷达、毫米波雷达、相机 原文作者：默_存 培训资料 第一章 激光雷达点云的分割原理及实现 本章摘要：激光雷达扫描得到的点云含有大部分地面点，这对后续障碍物点云 的分类、识别和跟踪带来麻烦，所以需要将其分割掉。本章主要讲解点云的基 础分割算法—RANSAC 算法，通过例子分析其基本原理，然后讲解如何运用 PCL 实现 RANSAC 算法。 RANSAC 算法原理 RANSAC (Random Sample Consensus) 随机采样一致性算法，其实就是想办 法找出代表地面的平面。如下图所示，绿色的点为打在地面上的点，红色的点为 打在障碍物上的点。打在地面上的点基本上是处在一个平面上的，所以我们的目 标就是找到这个平面，然后将距离此平面一定距离内的点分割成地面。 由于算法逻辑本质上是一致的，为了简便起见，这里将三维空间寻找平面问题， 转化为二维空间寻找直线的问题。算法逻辑如下： （1）要得到一个直线模型，需要两个点唯一确定一个直线方程。所以第一步随 机选择两个点。 1 / 81 培训资料 （2）通过这两个点，可以计算出这两个点所表示的方程y=ax+b。 （3）计算所有的数据点到这个方程的距离。 （4）找到所有满足距离阈值的点。 （5）然后再重复（1）~ （4）这个过程，直到达到一定迭代次数后，选出那个包 含最多点的直线，作为要求的直线，其所包含的点作为要分割的点。过程如下图 所示： （动态图 1 免费索取） 2 / 81 培训资料 PCL 实现 RANSAC 算法 PCL 是一个开源的点云处理库，是在吸收了前人点云相关研究基础上建立起来 的大型跨平台开源 C++编程库，它实现了大量点云相关的通用算法和高效数据 结构，包含点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲 面重建、可视化等大量开源代码。下面代码介绍如何用 PCL 实现 RANSAC 算 法： 3 / 81 培训资料 完整代码见：： /godloveliang/SFND_Lidar_Obstacle_Detection_for_article 显示不同的输出结果见 sensors/ environment.cpp/ simpleHighway, 可以根据 注释自己调整输出。 第二章 激光雷达点云的聚类原理及实现 本章摘要：在上一章，我们采用 RANSAC 算法分割出了地面点云，非地面点 云。我们通常会对非地面点云进行进一步的分割，也就是对地面以上的障碍物 的点云进行聚类，通过聚类，我们可以检测出障碍物的边缘，然后使用 3 维的 Bounding Box 将障碍物从三维点云中框出来。本章将讲解 Euclidean 聚类算 法、PCL 实现，并对其所利用的基本的数据结构 kd-tree 进行讲解。 Euclidean 聚类效果展示： 4 / 81 培训资料 欧几里德聚类（Euclidean Clustering），本质上是找到最近点，只要点与点之间 的距离，在一定半径范围内就认为这些点属于一个聚类。那么上一章中，非地面 点云聚类之后的效果如下： 通过代码来直观理解 Euclidean 聚类算法实现过程: 伪代码如下： 5 / 81 培训资料 对应的 C++代码实现如下： Euclidean 聚类 PCL 实现： 6 / 81