基于matlab点云工具箱对点云进行处理三:对点云进行欧式聚类,使用三角剖分处理后获取点云簇的外接凸多边形

本文主要是介绍基于matlab点云工具箱对点云进行处理三:对点云进行欧式聚类,使用三角剖分处理后获取点云簇的外接凸多边形,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

基于matlab点云工具箱对点云进行处理三:对点云进行欧式聚类,使用三角剖分处理后获取点云簇的外接凸多边形

步骤:

  1. 读取velodyne数据包pcap文件内的点云数据
  2. 使用pcdownsample函数对点云数据进行体素化采样,减少点云数量
  3. 使用find函数对点云进行筛选
  4. 使用pcdnoise去除点云内的噪声
  5. 使用pcsegdist进行欧式聚类
  6. 使用delaunayTriangulation进行三角剖分
  7. 使用convexHull获得外接凸包的顶点ID

相关程序在这里https://download.csdn.net/download/rmrgjxeivt/59557139

存在的问题:
弯曲道路的护栏(例如匝道)被识别为半圆形状,误识别区域巨大

基于matlab点云工具箱对点云进行处理一:去除地面,保留剩下的点https://blog.csdn.net/rmrgjxeivt/article/details/121830344
基于matlab点云工具箱对点云进行处理二:对点云进行欧式聚类,获得聚类后点云簇的外接矩形https://blog.csdn.net/rmrgjxeivt/article/details/121830919
基于matlab点云工具箱对点云进行处理三:对点云进行欧式聚类,使用三角剖分处理后获取点云簇的外接凸多边形https://blog.csdn.net/rmrgjxeivt/article/details/121831507
基于matlab点云工具箱对点云进行处理四:对点云进行欧式聚类,并获得包围点云簇的外接凹多边形https://blog.csdn.net/rmrgjxeivt/article/details/121831934
在这里插入图片描述
在这里插入图片描述


% 读取激光的PCAP文件
% 筛选感兴趣区域
% 播放筛选后的点云veloReader = velodyneFileReader('2021-11-23-12-49-43_Velodyne-HDL-32-Data.pcap','VLP32c');%% 设置感兴趣区域vehPara.length = 5.5;
vehPara.width = 2.2;
vehPara.d = 2.3; % 轴距
vehPara.rearOverhang = 1; % 前悬
vehPara.rearOverhang = 1; % 后悬
vehPara.CG2Rear = 1.45; % 质心到后轴insRegion = [-20 50 -10 10 0 2]; % 感兴趣区域[minX maxX minY maxY]
groundRegion = [-1, 0.2]; % 地面区域,z轴方向xLimits = [insRegion(1), insRegion(2)];
yLimits = [insRegion(3), insRegion(4)];
zLimits = [insRegion(5), insRegion(6)]; % 原点在后轴中心,因此此处相对于轮芯高度player = pcplayer(xLimits,yLimits,zLimits);xlabel(player.Axes,'X (m)');
ylabel(player.Axes,'Y (m)');
zlabel(player.Axes,'Z (m)');veloReader.CurrentTime = veloReader.StartTime + seconds(0.3);disp(['frame数量',num2str(veloReader.NumberOfFrames)])pause(2)frameID = 1000;while(hasFrame(veloReader) && player.isOpen() && (veloReader.CurrentTime < veloReader.EndTime))ptCloudObj = readFrame(veloReader,frameID);frameIDticlidarLo = [3.5 0 1.1 0 0 0];% 取出XYZxTemp = ptCloudObj.Location(:,:,2)+lidarLo(1);yTemp = -ptCloudObj.Location(:,:,1)+lidarLo(2);zTemp = ptCloudObj.Location(:,:,3)+lidarLo(3);pc = [xTemp(:) yTemp(:) zTemp(:) single(ptCloudObj.Intensity(:))];% max(pc(:,1))% min(pc(:,1))% max(pc(:,2))% 对地面的点进行范围筛选zMin = groundRegion(1);zMax = groundRegion(2);pcObj = pointCloud(pc(:,1:3));pcObj.Intensity = pc(:,4);pcOutNum = 30000; % 输出的点云数量objPointVeh = zeros(pcOutNum,4,'single');objPointVeh(:,1) = single(insRegion(2));objPointVeh(:,2) = single(insRegion(4));objPointVeh(:,3) = single(insRegion(6));objPointVeh(:,4) = single(0);% tic%% 降低点云密度 coder会报错gridStep = 0.05;pcObj_downSample = pcdownsample(pcObj,'gridAverage',gridStep); % 降低点云密度% maxNumPoints = 6;% pcObj_downSample = pcdownsample(pcObj,'nonuniformGridSample',maxNumPoints);%     percentage = 0.3;%     pcObj_downSample = pcdownsample(pcObj,'random',percentage);%% 筛选感兴趣区域(单位米),并排除车身内部的点云xLimits = [insRegion(1), insRegion(2)];yLimits = [insRegion(3), insRegion(4)];zLimits = [insRegion(5), insRegion(6)]; % 原点在后轴中心,因此此处相对于轮芯高度indices = find((pcObj_downSample.Location(:, 2) >= yLimits(1) ...& pcObj_downSample.Location(:,2) <=  yLimits(2) ...& pcObj_downSample.Location(:,1) >=  xLimits(1) ...& pcObj_downSample.Location(:,1) <=  xLimits(2) ...& pcObj_downSample.Location(:,3) <=  zLimits(2) ...& pcObj_downSample.Location(:,3) >=  zLimits(1) ...& ~(pcObj_downSample.Location(:,1)<(vehPara.length-vehPara.rearOverhang) ...& pcObj_downSample.Location(:,1)>(-vehPara.rearOverhang) ...& pcObj_downSample.Location(:,2)<vehPara.width/2 ...& pcObj_downSample.Location(:,2)>-vehPara.width/2)));% 设置感兴趣的点云区域if ~isempty(indices)pcObj_downSample = select(pcObj_downSample,indices);%% 去除噪声[pcObj_downSample,inlierIndices,~] = pcdenoise(pcObj_downSample);pcID_noNoise = 1:1:pcObj_downSample.Count;if ~isempty(inlierIndices)outlierIndices = [];if ~isempty(outlierIndices) % 非空才输出pcRemainObj = select(pcObj_downSample,pcID_out);elsepcRemainObj = pcObj_downSample;endelsepcRemainObj = pcObj_downSample;endcowPCRemain = size(pcRemainObj.Location)*[1;0];if cowPCRemain>pcOutNumcowPCRemain = pcOutNum;endobjPointVeh(1:cowPCRemain,:) = [pcRemainObj.Location pcRemainObj.Intensity];end% end% figure(2)% % pcshow(plane1)% pcshow(pcPlanel)% title('First Plane')% cowPCRemain = length(pcObj.Location(:,1));% pcRemain(1:cowPCRemain,:) = pcObj.Location;% figure(3)% % pcshow(plane1)% pcshow(pcRemain)% title('remainPtCloud')%% 欧式聚类% 最小聚类欧式距离minDist = 0.5;% 执行欧式聚类分割[labels,numClusters] = pcsegdist(pcRemainObj,minDist);% 显示分割结果hsvColorMap = hsv(numClusters);hsvColorMap_H = hsvColorMap(:,1);hsvColorMap_S = hsvColorMap(:,2);hsvColorMap_V = hsvColorMap(:,3);%     view(player,pcRemainObj.Location,[hsvColorMap_H(labels) hsvColorMap_S(labels) hsvColorMap_V(labels)]);%     pcshow(pcRemainObj.Location,labels);%     colormap(hsv(numClusters));% 遍历所有聚类结果figure(5);clfaxis([insRegion(1) insRegion(2) insRegion(3) insRegion(4)])title('欧式聚类分割');xlabel('X(m)');ylabel('Y(m)');zlabel('Z(m)');hold on;for i = 1:1:numClusters%% 进行多边形框计算pcClusterObjTemp = select(pcRemainObj,find(labels == i));% 求解获得凸多边形进行多边形框计算if length(pcClusterObjTemp.Location(:,1))>=3 % triPart = delaunayTriangulation(double(pcClusterObjTemp.Location(:,1)), ...double(pcClusterObjTemp.Location(:,2)));hull = convexHull(triPart);plot(pcClusterObjTemp.Location(hull,1), pcClusterObjTemp.Location(hull,2), 'r');endendhold offobjVehPoint = objPointVeh;%%pcObjOut =   pointCloud(objVehPoint(:,1:3));pcObjOut.Intensity = objVehPoint(:,4);frameID = frameID+1;tocview(player,pcObjOut);%     figure(4)%     pcshow(pcObjOut.Location)%     xlabel('X(m)');%     ylabel('Y(m)');%     zlabel('Z(m)');%     axis([insRegion(1) insRegion(2) insRegion(3) insRegion(4)])pause(0.02);end

这篇关于基于matlab点云工具箱对点云进行处理三:对点云进行欧式聚类,使用三角剖分处理后获取点云簇的外接凸多边形的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/171232

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测