如何用Python实现点云的地面检测

本文小编为大家详细介绍“如何用Python实现点云的地面检测”，内容详细，步骤清晰，细节处理妥当，希望这篇“如何用Python实现点云的地面检测”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

1. 计算机视觉坐标系统

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：

import numpy as np
import open3d as o3d

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：

# Read point cloud:
pcd = o3d.io.read_point_cloud("data/depth_2_pcd.ply")
# Create a 3D coordinate system:
origin = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.5)
# geometries to draw:
geometries = [pcd, origin]
# Visualize:
o3d.visualization.draw_geometries(geometries)

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：

# Get max and min points of each axis x, y and z:
x_max = max(pcd.points, key=lambda x: x[0])
y_max = max(pcd.points, key=lambda x: x[1])
z_max = max(pcd.points, key=lambda x: x[2])
x_min = min(pcd.points, key=lambda x: x[0])
y_min = min(pcd.points, key=lambda x: x[1])
z_min = min(pcd.points, key=lambda x: x[2])

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。

# Colors:
RED = [1., 0., 0.]
GREEN = [0., 1., 0.]
BLUE = [0., 0., 1.]
YELLOW = [1., 1., 0.]
MAGENTA = [1., 0., 1.]
CYAN = [0., 1., 1.]


positions = [x_max, y_max, z_max, x_min, y_min, z_min]
colors = [RED, GREEN, BLUE, MAGENTA, YELLOW, CYAN]
for i in range(len(positions)):
 # Create a sphere mesh:
 sphere = o3d.geometry.TriangleMesh.create_sphere(radius=0.05)
 # move to the point position:
 sphere.translate(np.asarray(positions[i]))
 # add color:
 sphere.paint_uniform_color(np.asarray(colors[i]))
 # compute normals for vertices or faces:
 sphere.compute_vertex_normals()
 # add to geometry list to display later:
 geometries.append(sphere)


# Display:
o3d.visualization.draw_geometries(geometries)

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)。

2.地面检测

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。

# Define a threshold:
THRESHOLD = 0.075


# Get the max value along the y-axis:
y_max = max(pcd.points, key=lambda x: x[1])[1]


# Get the original points color to be updated:
pcd_colors = np.asarray(pcd.colors)


# Number of points:
n_points = pcd_colors.shape[0]


# update color:
for i in range(n_points):
# if the current point is aground point:
if pcd.points[i][1] >= y_max - THRESHOLD:
pcd_colors[i] = GREEN# color it green


pcd.colors = o3d.utility.Vector3dVector(pcd_colors)


# Display:
o3d.visualization.draw_geometries([pcd, origin])

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。

3. 有组织的点云

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：

import imageio.v3 as iio
import numpy as np
import matplotlib.pyplot as plt


# Camera parameters:
FX_DEPTH = 5.8262448167737955e+02
FY_DEPTH = 5.8269103270988637e+02
CX_DEPTH = 3.1304475870804731e+02
CY_DEPTH = 2.3844389626620386e+02


# Read depth image:
depth_image = iio.imread('../data/depth_2.png')
# Compute the grayscale image:
depth_grayscale = np.array(256 * depth_image / 0x0fff, dtype=np.uint8)
# Convert a grayscale image to a 3-channel image:
depth_grayscale = np.stack((depth_grayscale,) * 3, axis=-1)

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:

# get depth image resolution:
height, width = depth_image.shape
# compute indices and reshape it to have the same shape as the depth image:
jj = np.tile(range(width), height).reshape((height, width))
ii = np.repeat(range(height), width).reshape((height, width))
# Compute constants:
xx = (jj - CX_DEPTH) / FX_DEPTH
yy = (ii - CY_DEPTH) / FY_DEPTH
# compute organised point cloud:
organized_pcd = np.dstack((xx * depth_image, yy * depth_image, depth_image))

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:

# Ground_detection:
THRESHOLD = 0.075 * 1000# Define a threshold
y_max = max(organized_pcd.reshape((height * width, 3)), key=lambda x: x[1])[
1]# Get the max value along the y-axis


# Set the ground pixels to green:
for i in range(height):
for j in range(width):
if organized_pcd[i][j][1] >= y_max - THRESHOLD:
depth_grayscale[i][j] = [0, 255, 0]# Update the depth image


# Display depth_grayscale:
plt.imshow(depth_grayscale)
plt.show()

读到这里，这篇“如何用Python实现点云的地面检测”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注亿速云行业资讯频道。