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

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Elasticsearch 在 Java 中的使用教程

《Elasticsearch在Java中的使用教程》Elasticsearch是一个分布式搜索和分析引擎,基于ApacheLucene构建,能够实现实时数据的存储、搜索、和分析,它广泛应用于全文... 目录1. Elasticsearch 简介2. 环境准备2.1 安装 Elasticsearch2.2 J

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

Java中List的contains()方法的使用小结

《Java中List的contains()方法的使用小结》List的contains()方法用于检查列表中是否包含指定的元素,借助equals()方法进行判断,下面就来介绍Java中List的c... 目录详细展开1. 方法签名2. 工作原理3. 使用示例4. 注意事项总结结论:List 的 contain

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

Android中Dialog的使用详解

《Android中Dialog的使用详解》Dialog(对话框)是Android中常用的UI组件,用于临时显示重要信息或获取用户输入,本文给大家介绍Android中Dialog的使用,感兴趣的朋友一起... 目录android中Dialog的使用详解1. 基本Dialog类型1.1 AlertDialog(

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

使用Sentinel自定义返回和实现区分来源方式

《使用Sentinel自定义返回和实现区分来源方式》:本文主要介绍使用Sentinel自定义返回和实现区分来源方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Sentinel自定义返回和实现区分来源1. 自定义错误返回2. 实现区分来源总结Sentinel自定

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法:读

JSON Web Token在登陆中的使用过程

《JSONWebToken在登陆中的使用过程》:本文主要介绍JSONWebToken在登陆中的使用过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录JWT 介绍微服务架构中的 JWT 使用结合微服务网关的 JWT 验证1. 用户登录,生成 JWT2. 自定义过滤