点云配准文献阅读与简单实现

文献阅读

文献1

一. Deep learning-based dynamic object classification using LiDAR point cloud augmented by layer-based accumulation for intelligent vehicles

基于深度学习的基于 LiDAR 点云的动态对象分类，通过基于层的累积来增强智能车辆

背景：由于点云数据的稀疏性，无法提供检测目标足够的形状信息，因此难以应用深度学习方法进行分类

基于深度学习的点云分类方法：

将3D点云转换为2D投影
将点云转换为体素
直接输入点云信息

前两种方法在转换过程中会有信息缺失

文章主要内容

1.点云累积方法

点云配准算法

**迭代最近法iterative closest point (ICP)获取不同时刻同一目标物体点云刚性坐标转换矩阵

ICP算法原理：

2.点云分类实验设计

采用CAD软件创建分类物体分段3D模型，通过激光雷达实际采集的其它树木等无关数据作为负样本进行训练，在KITTI数据集上对训练的数据进行验证。

文献2

**二. LIDAR based detection of road boundaries using the density of accumulated point clouds and their gradients **

基于 LIDAR 的道路边界检测使用累积点云的密度及其梯度

仅采用扫描至路面的4根扫描线数据，通过累积方法，实现道路边界的提取

1. 点云累积方法

假设车辆行进速度为50KM/h，激光雷达扫描频率为50HZ，则车辆每前进0.29m，车辆会获取一次点云数据，文章将每4次扫描数据作为一个输入帧，计算获取坐标转换关系。
实现效果如下所示：红色为当前激光扫描数据，白色为之前累积数据

验证

1 数据说明

点云累积方法实际原理类似于多帧合成的方法，主要在于得到两帧点云之间的坐标转换关系，通过坐标转换，可以将多次对同一目标物体的扫描结果合成一帧，而上述文献中通过点云配准方法得到两帧点云之间的坐标转换关系，典型的方法便是ICP。如图所示为采集数据的路线图

2 代码实现过程

读取velodyen VLP16激光雷达采集的pcap文件数据

 filename= 'D:\matlabwenji\lidar_pcap\a1.pcap'; %文件位置    
 veloReader = velodyneFileReader(filename,"VLP16"); % 读取.pcap文件
 ptCloud_original=cell(1,veloReader.NumberOfFrames); % 定义储存原始点云数据的元组
 for i=1:veloReader.NumberOfFrames
ptCloud_original{1,i}=readFrame(veloReader,i); % 依次读取每次采样周期的数据，将其保存为pointCloud格式
end

读取前两帧激光雷达采集数据，以第一帧点云数据作为参考，通过ICP得到第二帧到第一帧数据的坐标转换矩阵.此外，为减少ICP过程中的点云计算量，提升提高特征匹配准确率，需对原始点云进行下采样，即对点云数据量进行减少

ptCloudRef = ptCloud_original{1}; % 将第1帧点云定义为参考点云
ptCloudCurrent = ptCloud_original{2}; % 将第2帧定义为待处理点云
%% 下采样
gridSize = 0.1; %定义下采样网格大小
fixed = pcdownsample(ptCloudRef, 'gridAverage', gridSize);
moving = pcdownsample(ptCloudCurrent, 'gridAverage', gridSize); % 下采样
tform = pcregistericp(moving, fixed, 'Metric','pointToPlane','Extrapolate', true); % matlab自带ICP算法，得到moving点云至fixed点云之间的坐标转换矩阵tform
ptCloudAligned = pctransform(ptCloudCurrent,tform); % 将第2帧点云通过求得的坐标转换矩阵进行转换
mergeSize = 0.015;
ptCloudScene = pcmerge(ptCloudRef, ptCloudAligned, mergeSize);

假设以第一帧点云坐标作为全局参考坐标，重复上述步骤，即可完成整个过程的点云累积

accumTform = tform; 
mergeSize = 0.015;
ptCloudScene = pcmerge(ptCloudRef, ptCloudAligned, mergeSize);
figure
hAxes = pcshow(ptCloudScene, 'VerticalAxis','Y', 'VerticalAxisDir', 'Down');
title('Updated world scene')
% 设置轴属性以更快地渲染
hAxes.CameraViewAngleMode = 'auto';
hScatter = hAxes.Children; 
for i = 3:length(ptCloud_original) % 依次检索没帧点云
 ptCloudCurrent = ptCloud_original{i};% 将第i帧数据赋值给待处理点云 ptCloudCurrent
 fixed = moving; % 将前一帧的移动点云作为后一帧点云的参考点云
 moving = pcdownsample(ptCloudCurrent, 'gridAverage', gridSize);% 将待处理点云作为移动点云
 % 应用CIP算法得到moving到fixed的坐标转换矩阵
 tform = pcregistericp(moving, fixed, 'Metric','pointToPlane','Extrapolate', true);
 % 通过当前转换矩阵乘以前面累积的转换矩阵，得到当前帧转换至第一帧的坐标转换矩阵
 accumTform = affine3d(tform.T * accumTform.T);
 ptCloudAligned = pctransform(ptCloudCurrent, accumTform);
 % 更新全局累积的点云数据
 ptCloudScene = pcmerge(ptCloudScene, ptCloudAligned, mergeSize);
 hScatter.XData = ptCloudScene.Location(:,1);
 hScatter.YData = ptCloudScene.Location(:,2);
 hScatter.ZData = ptCloudScene.Location(:,3);
end
 % 可视化
pcshow(ptCloudScene, 'VerticalAxis','Y', 'VerticalAxisDir', 'Down', ...
  'Parent', hAxes)
title('Updated world scene')
xlabel('X (m)')
ylabel('Y (m)')
zlabel('Z (m)')