当前位置:

首页 > 编程开发 > Python实现点云地面检测的方法

Python实现点云地面检测的方法

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MicrosoftKinect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:importnumpyasnpimportopen3daso3d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3

本文目录

    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。

    Python实现点云地面检测的方法

    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)

    Python实现点云地面检测的方法

    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:

    Python实现点云地面检测的方法

    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:

    Python实现点云地面检测的方法

    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)

    Python实现点云地面检测的方法

    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])

    Python实现点云地面检测的方法

    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。

    Python实现点云地面检测的方法

    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()

    4.结论

    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。


    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。