基于PCL和RANSAC的墙体检测

Question

我一直在使用PCL (点云库)在PCD (Point )文件中进行墙壁检测。PCD文件是通过深度摄像机生成的。我发现在许多类似的应用中，例如地板检测，RANSAC已经被使用。因此，我也想在这里应用RANSAC，我尽力理解RANSAC，但我仍然有一些与我的应用程序相关的问题：

1. 简而言之，RANSAC试图删除给定数据中的异常值，并迭代地通过一个模型推广这些异常值。那么，在地板检测的情况下，它会把与其他物体对应的点云的其余部分看作是孤立点，而将地板看作是异常点吗？墙壁也是这样吗？
2. 根据PCL的平面模型分割教程，RANSAC是通过coefficients->values向量给出平面方程中的模型平面的系数，即a、b、c和d。所以，我假设，在壁面探测的情况下，它会试图给出与墙对应的平面方程。然而，如果深度摄像机在房间的一角，而墙壁的顶部视图是这样的，那该怎么办：

商业、金融等行业。

______________

|

|

.=‘2’>.=‘2’>.

|

|

因此，在这种情况下，所得到的模型平面是什么样子的？这会不会是一种再转轨，再转轨(制造一个三角形)？

商业、金融等行业。

.

|

商业、商业、金融、金融、商业、金融、商业、金融等行业的自愿性、商品性等。

|

即使在这种情况下，它会是什么样子呢？

1. 根据PCL的从PointCloud教程中提取索引算法，基于分割算法输出的索引，利用ExtractIndices <pcl::ExtractIndices>滤波器从点云中提取点的子集。但是，这个过滤器到底在做什么呢？事实上，在地面探测或墙壁探测(假设只有一个直墙)情况下，RANSAC已经给出了一个平面方程。那么，有必要使用这个过滤器吗？如果是的话，那为什么，怎么做？
2. 在以下情况下，如何检测多个墙壁？ExtractIndices <pcl::ExtractIndices>过滤器可以做到这一点？如果是，那怎么做？

商业、金融等行业。

.

|

商业、商业、金融、金融、商业、金融、商业、金融等行业的自愿性、商品性等。

|

如果你认为有比使用RANSAC更好的方法，那么也请告诉我。

Answer 1

你问的几个问题的答案：

据我所知，在使用平面模型的情况下，RANSAC随机从云中选取3个点，并将其视为一个平面。(这是一个稍后将得到证实的临时声明)所有靠近该平面的点，作为垂直距离的给定阈值被认为是不稳定点。算法还给出了其中包含最多点的平面(发现的平面也取决于你选择的迭代次数，如果它太低，它可能错过了最大的平面)。在墙壁的情况下，故事是一样的。你可以搜索飞机，但应该选择好搜索方向。墙壁随意垂直于平面x-y。参数的设置应该考虑到这一点。示例：

pcl::SACSegmentation<pcl::PointXYZI> seg;
Eigen::Vector3f axis;

//HELPER VARIABLES
float angle = 12.0;
void set_segmentation(float threshold, int max_iteration, float probability) {
    seg.setModelType(pcl::SACMODEL_PERPENDICULAR_PLANE);
    seg.setMethodType(pcl::SAC_RANSAC);
    // set cloud, threshold, and other paramatres
    seg.setDistanceThreshold(threshold);//Distance need to be adjusted according 
    to the obj
    seg.setMaxIterations(max_iteration);
    seg.setProbability(probability);
}  
PlaneSegment(float x, float y, float z, float set_angle, float threshold, int 
max_iteration, float probability) {
    axis = Eigen::Vector3f(x, y, z);
    angle = set_angle;
    seg.setAxis(axis);
    seg.setEpsAngle(angle * (3.1415 / 180.0f));
    //SET SEGMENTATION
    set_segmentation(threshold, max_iteration, probability);
}
pcl::PointIndices::Ptr segment_plane(pcl::PointCloud<pcl::PointXYZI>::Ptr cloud, 
pcl::PointIndices::Ptr inliers) {
    seg.setInputCloud(cloud);
    seg.segment(*inliers, *coefficients);
    if (inliers->indices.size() == 0)
    {
        PCL_ERROR("COULD NOT ESTIMATE PLANAR MODEL.\n");
        exit(-1);
    }
    return inliers;
}

pcl::PointCloud<pcl::PointXYZI>::Ptr 
extraction(pcl::PointCloud<pcl::PointXYZI>::Ptr cloud, pcl::PointIndices::Ptr 
inliers) {
    extract.setInputCloud(cloud);
    extract.setIndices(inliers);
    extract.setNegative(true);
    extract.filter(*cloud);
    return cloud;
}

您可以设置一个接受角，在这种情况下，12度，以及搜索方向的基础上的轴线。

关于你的第二点：

在多面墙的情况下，它会还给出包含最多点的墙。但如果需要的话，你也应该可以提取其他的飞机。(建议，保存所有包含比你选择的阈值更多的点的飞机)我在你的问题之后，这也是一个解决方案：pcl::RANSAC分割，所有的平面都在云中？。首先，评论给出了很好的回答。

第三点：

检查示例代码。注意，这是一个类，所以有一个构造函数。segment_plane函数返回inliers。在此基础上，您可以调用提取函数，并从云中删除不正确的元素。这是一个非常简单和快速的解决办法。您可以避免使用系数值所带来的痛苦。另外，如果你不想移除它们，只需用迭代的方法将它们涂上颜色，并将其强度设置为选定的值。

RANSAC算法可以是健壮的，但有时它确实不起作用。而且，由于迭代次数的关系，它可能会很慢。解决这个问题的方法有很多种。举个例子:考虑云下面的网格。很多大小相等的方形细胞。在每个单元格中，检查最小和最大点高度。在此基础上，您可以得到地面平面(如果这些值只是稍微不同，并且彼此接近)。最大高度和最小高度的差异在地面细胞或墙壁上是很小的。有了墙，你可以假设点在每个单元格中的分布是均匀的，最大-最小值的差异很大。诚挚的问候。