3D激光SLAM：LeGO-LOAM论文解读---点云分割部分

点云分割

分割方法：
Pt是t时刻的一帧点云数据

pi是Pt中的一个点

首先需要把Pt映射到深度图像上去

映射的深度图像的分辨率是 1800*16 .1800就是一帧激光雷达点云里面的每一个scan上有1800个点，16就是有16个scan
VLP的水平分辨率为0.2° 垂直分辨率为2°

每个有效的点为深度图像的一个像素，像素的值就是该点到雷达中心的距离

就相当于:

地面点分类

由于在场景中可能是在斜坡上面进行运动，所以没有假设地面点是一个水平面

通过深度图像的每一列进行地面点的提取，然后再做点云的分类。

在后面的点云分类中，地面点就不参与了，因为它已经分完了

其它点分类及过滤

之后基于图像的分割方法，将点云分成很多簇

同一簇的点分配上唯一的标签

地面点是一种特殊类型的簇

对点云进行聚类分割可以提高处理效率和特征提取精度

假设机器人在一个噪声很大的环境下，有些物体的尺寸很小比如树叶，或者其它不可靠的特征点。相邻帧几乎不可能看到同一个树叶
所以做好先去掉这些点

为了实现快速和可靠的特征提取，把小于30个点的聚类进行过滤，即不会在这些点中进行特征提取

测试

其可视化的效果 如下

a图是原始的点云可视化效果

做完聚类之后，去除聚类小于30的点后保留的点，红色的点是地面点

在聚类之后剩下的点，代表比较大的目标，比如建筑物、树干、地面点，可以用这些点做里程计的位姿估计
同时这些点会被存储到深度图像中去，过滤的点则会被深度图像删去。

保留的点会存储三种属性

• 是否是地面点的标签
• 在深度图像的行列索引
• 距离，点到雷达中心的距离

然后利用这些信息再做特征提取

原文