Paper1：HoPE: Horizontal Plane Extractor for Cluttered
摘要：在杂乱的三维场景中提取水平面是许多机器人应用的基本步骤。针对一般平面分割方法在这一问题上的局限性，我们提出了一种新的平面提取的算法，它能够在杂乱的有序点云或者是无序点云数据中高效的提取平面。通过预校准或惯性测量单元获得的传感器方向将源点云转换为参考坐标系，提出了一种改进的区域增长算法与Z轴聚类算法结合，一种基于主成分分析（PCA）的点云聚类和分割的方法。此外，我们还提出了一种最近邻平面匹配（NNPM）策略来保持连续序列中提取平面的稳定性。对真实场景和合成场景的定性和定量评估表明，我们的方法在对有噪声的点云数据的处理的鲁棒性、准确性和效率方面优于几种最新的方法。
并且该算法已经在github 开源：https://github.com/DrawZeroPoint/hope
主要贡献：
（1）根据三维点云采集设备定向的角度对点云数据进行变换从而简化水平面提取的过程，提供了快速且稳健的点云聚类和分割以及识别的方法。
（2）以一种合理的方式尽量的减少使用阈值的数量来减少算法的不稳定性，能够在预期的精度和高效的计算时间里达到较好的分割效果。
（3）与点云库PCL以及机器人操作系统（ROS）兼容且开源。
文本提出了一个用于从中提取多个水平面的框架，在混乱场景中获得的有组织的和无组织的3D点云。充分利用采集点云数据的方向信息，并简化包括下采样，点云聚类，细化，和结果识别，算法在第一阶段使用了传感器方向的先验知识将源点云转换为参考点云，其z轴指向上方。该算法框架提供了一些专用的且新颖的功能，能够提供稳健且高效的结果。并且框架的潜在优势还在于场景大小的可变性及其对提取的内容进行连续标识的能力。在真实数据集上的实验表明，即便是动态的场景我们的方法可以保持结果的一致性。
-------------阅读细节-----------
原始方法的不足：
如图1c所示，结果可能分段不足或分段过度。这些现象在自下而上的方法中很常见，比如RegionGrowing(RG)，它的阈值无法在同时分离和合并补丁之间找到平衡。此外，对于如何将相当多的阈值与预期的输出联系起来，它们没有给出明确的说明，因此用户只能通过穷举搜索实验性地确定阈值。
为了解决原始方式，提出了自己的Hope理论：
（1）Hope的整个框架首先充分利用了传感器的定位优势。它将(如果有必要时)源点云变换为z轴向上的参考系Fr，并将所有变换后的水平面的单位法向量记为n，理想地垂直于物理地面，使变换后的n = (0,0,1) w.r.t. Fr是转换后的坐标系。
（2）基于n的假设，我们提取出法向量落在误差范围内的水平面内线，然后用Z聚类策略对其进行聚类，改进的RG方法以Z轴上相邻点的距离代替法向量或曲率的局部相似性作为生长准则，使其成为一种新的聚类方法更有效和可控的直观阈值（详细说明见下）。我们将聚类应用于所有的内联函数，这样它就不会被来自非水平区域的无关点分散注意力，从而解决了不足或过分割的问题。
（3）尽管如此，Z聚类可能会没有区分地对一些满足要求的法线也进行聚类但实际上他们不属于水平面，为了解决此问题，为了解决这一问题，我们通过将每个簇的法线细分为两组，并使用基于主成分分析（PCA）的方法，在没有新阈值的情况下，对特定的假阳性簇（曲面和斜曲面）进行整体排除（详细说明见下）。整个框架仅使用两个阈值就实现最终结果，分别为在xy平面上的分辨率和沿z轴的分辨率。我们在图1d中演示了细分的输出。
（4）我们设法在连续的3D序列中保持每个结果平面的一致性 （此处是为了干什么？??？？），在参考坐标系相关的传感器的运动未知时，考虑到平面段的高度和点的分布是平稳变化的最近邻算法策略（详细说明见下）来保留IDs。（这一步到底在保留啥暂时没明白）
（5）值得指出的是，就其性质而言，我们的方法只能直接应用于水平面，其法向垂直于地面，或者换句话说，平行于重力方向。这一标准是必需的，因为在非结构化环境中，我们只能确保水平面与地面垂直，这样通过将参考框架Fr的z轴与重力方向对齐，我们可以使用z聚类来检查误差锥和聚类点。然而，我们通常不知道任意平面甚至垂直平面关于Fr的姿态，这通常与机器人的基架相同，因此我们无法进行这种对准。但是，如果我们知道目标平面在参考框架内的相对姿态，我们可以将Fr的z轴重定向到与该平面垂直，然后使用我们的方法沿该方向提取此类目标。
----------------分布介绍：
（1）输入：Hope框架以数据采集过程中三维传感器的方向和生成的三维点云作为输入
读了一半的文章改天接着，先发出来怕忘记了。
Paper1：HoPE: Horizontal Plane Extractor for Cluttered相关推荐
- 论文笔记（二十二）：Soft Tracking Using Contacts for Cluttered Objects to Perform Blind Object Retrieval
Soft Tracking Using Contacts for Cluttered Objects to Perform Blind Object Retrieval 文章概括 摘要 1. 介绍 2 ...
- 最新版：GOOGLE BING EMAIL EXTRACTOR：Crack
当我们谈论搜索引擎时,我们基本上指的是该行业的两个"巨头",即GOOGLE和BING.世界上所有的网站都出现在这两个搜索引擎中,因此它们代表了那些希望从 Web 捕获数据的人的主要 ...
- 翻译：PlaneRCNN: 3D Plane Detection and Reconstruction from a Single Image
图1.本文提出了一种深度神经网络结构PlaneRCNN,该结构检测平面区域,并从单个RGB图像重建分段平面深度图.从左到右,输入图像.分割的平面区域.估计的深度图和重建的平面. 摘要 本文提出了一种深 ...
- HoPE杂乱场景的点云数据平面的提取
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 标题:HoPE: Horizontal Plane Extractor for Cluttered 3 ...
- lammps教程：region plane命令建立锐角刀具模型
大家好,我是小马老师. 本文介绍lammps建模教程:锐角刀具的建模. 锐角刀具主要使用region plane命令设置多个平面,经过组合之后得到具有特定形状的区域. region plane命令语法 ...
- 实时光线追踪技术：业界发展近况与未来挑战
最近阅读了SIGGRAPH 2019中 EA SEED团队带来的,关于实时光线追踪一篇很赞的技术分享[1]. 本文将以此为引子,对实时光线追踪技术的发展近况,当前业界面对的挑战,以及未来的研究方向进行 ...
- 光线追踪技术 清华大学 pdf_实时光线追踪技术：业界发展近况与未来挑战
最近阅读了SIGGRAPH 2019中 EA SEED团队带来的,关于实时光线追踪一篇很赞的技术分享[1]. 本文将以此为引子,对实时光线追踪技术的发展近况,当前业界面对的挑战,以及未来的研究方向进行 ...
- 第23天：如何使用带有哈利·波特PortKey的ARKit和Unity构建应用程序
by Harini Janakiraman 通过哈里尼·贾纳基拉曼 第23天:如何使用带有哈利·波特PortKey的ARKit和Unity构建应用程序 (Day 23: How to build an ...
- vb.net 图形控件_玩转图形：VB.net GlassLabel控件
vb.net 图形控件 A while ago, I was working on a Windows Forms application and I needed a special label c ...
最新文章
- 轻量函数式 JavaScript：八、列表操作
- php和mysql建立链接
- md文件编辑器_File Cabinet Pro for Mac(菜单栏文件管理器)
- zephyr 系统--- 内存池使用方法
- Scatec Solar拟在乌克兰建设60MW光伏电站
- ajax访问遇到Session失效问题
- 190916-二级format补齐
- pycharm 设置虚拟工作空间_pycharm新建项目配置虚拟环境
- Kudu : 插入无法获取主键冲突的异常
- ffice 2016 文件运行excel的数据透视表中的数据切片器的时候自动关闭
- M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network AAAI2019
- JLINK驱动刷新之WIN7
- 应急指挥中心整体建设方案(ppt)
- 阿里云缺少中间证书：小程序在开发者工具和ios请求正常，在安卓手机上无效
- android动态style,Android控件动态设置style的问题
- NYOJ-1273-宣传墙
- [生存志] 第38节 平王东周都洛阳
- 浮点数与IEEE754
- 云队友丨如何“优雅”地进行职场沟通？
- 日历时间 linux,Linux查看日历