了解点云：使用 Python 实现地面检测

在开始之前，了解计算机视觉中的传统坐标系是很重要的。其次是Open3D和Microsoft Kinect传感器。在计算机视觉中，图像用独立的2D坐标系表示，其中x轴从左向右指向，y轴是上下指向。对于相机，3D坐标系原点位于相机的焦点处，x轴指向右，y轴指向下，z轴指向前。,,计算机视觉坐标系,我们首先导入所需的Python库：,为了更好地理解，让我们从 PLY 文件中导入点云，使用 Open3D 创建默认的 3D 坐标系并显示它们：,,,以坐标系原点显示的点云,蓝色箭头是 Z 轴，红色箭头是 X 轴，绿色箭头是 Y 轴。可以看到点云在与Open3D坐标系相同的坐标系中表示。现在，让我们获取具有每个轴的最小值和最大值的点：,我们可以打印它们，但为了更好的可视化，我们在每个点位置创建一个球体。默认情况下，Open3D在原点位置创建3D几何图形:,,要将球体移动到给定位置，需要进行平移变换。在下面的示例中，球体以向量 [1,1,1] 平移：,,让我们回到我们的示例，为每个球体分配一个颜色。对于每个位置，我们创建一个球体并将其平移到该位置。然后,我们分配正确的颜色,最后我们将它添加到显示。,,实际上，y轴代表了点的高度:在现实世界中，最高的球是黄色的球，最低的球是绿色的球。但是，由于y轴向下，黄色球体的值最小，绿色球体的值最大。,另一个有趣的球体是原点上的青色球体。正如我们在上一篇教程中提到的，深度值为0的像素是噪声点，因此位于原点的点是从这些噪声像素计算出来的点(当z=0时，则x=0和y=0)。,现在我们已经展示了一些重要的点，如何进行地面检测呢?在前面的例子中，绿色球体位于地面上。确切地说，它的中心对应于沿y轴的最高点是一个地面点。假设为了地面检测，我们将所有具有y_max的点的颜色都更改为绿,如果显示点云，您会注意到并非所有的地面点都是绿色的。事实上，只有一个与前面绿色球体的中心相对应的点是绿色的。这是由于深度相机的精度和噪声造成的。,为了克服这个限制，我们需要添加一个阈值，以便将y坐标为[y_max-threshold, y_max]的点都视为地面点。为此，在得到y_max后，我们检查每个点的y坐标是否在该区间内，然后将其颜色设置为绿色。最后更新点云的颜色属性并显示结果。,,在本例中，我们只将代表地面的点涂成绿色。在现实世界的应用中，地面被提取来定义可行走的区域，如机器人或视觉障碍系统，或在其上放置物体，如室内设计系统。它也可以被删除，所以剩下的点可以被分割或分类，就像在场景理解和目标检测系统一样。,我们知道点云定义为一组3D点。集合是一种无序结构，因此集合所表示的点云称为无组织点云。与RGB矩阵类似，有组织的点云是一个2D矩阵，有3个通道表示点的x、y和z坐标。矩阵结构提供了相邻点之间的关系，从而降低了一些算法的时间复杂度，如最近邻算法。,举个例子，我们正在写一篇研究论文，我们想用图的形式展示我们的检测算法的结果。我们既可以截取点云的截图，也可以将结果显示在深度图像上，如下图所示。在我看来，第二个选择是最好的。在这种情况下，需要一个有组织的点云来保存深度像素的位置。,,左：3D 可视化的屏幕截图 右：深度图像的结果,让我们从之前的深度图像创建一个有组织的点云。我们首先导入相机参数。我们还导入深度图像并将其转换为3通道灰度图像，以便我们可以将地面像素设置为绿色：,要计算一个有组织的点云，我们使用与上一篇教程相同的方法（Python：基于 RGB-D 图像的点云计算）。我们没有将深度图像扁平化，而是将jj和ii重塑为与深度图像相同的形状，如下所示:,如果你打印出创建的点云的形状，你可以看到它是一个有3个通道的矩阵(480,640,3)。如果你觉得这个代码很难理解，请回到之前的教程（Python：基于 RGB-D 图像的点云计算）。,类似地，我们像上面那样检测地面，但不是更新点的颜色并显示点云，而是更新灰度图像的像素并显示它:,在本教程中，为了熟悉点云，我们引入了默认坐标系统，并实现了一个简单的地面检测算法。事实上，地面检测在某些应用(如导航)中是一项重要的任务，文献中已经提出了几种算法。实现算法简单;它认为最低点是地面。然而，它的限制是，深度相机必须与地面平行，这是大多数现实应用的情况不是这样的。,