点云配准文献阅读与简单实现

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

**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：

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。

**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

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

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

1. 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
   

2. 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);
   

3. 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)')
   

4. 运行结果 .
   
   
   

5. 结果分析
   采用该方法能明显的提高点云密度，甚至能较为清晰的看到地面上的斑马线、转弯标识等交通标识，但配准所需时间太长