怎么样用电脑测量地面平方(了解点云：使用 Python 实现地面检测)
#头条创作挑战赛#
在本教程中，我们将首先描述系统坐标。然后，我们将以地面检测为例，仔细分析点云。本文还将介绍有组织点云。
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3D坐标系并显示它们：
#Readpointcloud:pcd=o3d.io.read_point_cloud("data/depth_2_pcd.ply")#Createa3Dcoordinatesystem:origin=o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.5)#geometriestodraw: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：
#Getmaxandminpointsofeachaxisx,yandz:x_max=max(pcd.points,key=lambdax:x[0])y_max=max(pcd.points,key=lambdax:x[1])z_max=max(pcd.points,key=lambdax:x[2])x_min=min(pcd.points,key=lambdax:x[0])y_min=min(pcd.points,key=lambdax:x[1])z_min=min(pcd.points,key=lambdax: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：
让我们回到我们的例子，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]foriinrange(len(positions)):#Createaspheremesh:sphere=o3d.geometry.TriangleMesh.create_sphere(radius=0.05)#movetothepointposition:sphere.translate(np.asarray(positions[i]))#addcolor:sphere.paint_uniform_color(np.asarray(colors[i]))#computenormalsforverticesorfaces:sphere.compute_vertex_normals()#addtogeometrylisttodisplaylater: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。
#Defineathreshold:THRESHOLD=0.075#Getthemaxvaluealongthey-axis:y_max=max(pcd.points,key=lambdax:x[1])[1]#Gettheoriginalpointscolortobeupdated:pcd_colors=np.asarray(pcd.colors)#Numberofpoints:n_points=pcd_colors.shape[0]#updatecolor:foriinrange(n_points):#ifthecurrentpointisagroundpoint:ifpcd.points[i][1]>=y_max-THRESHOLD:pcd_colors[i]=GREEN#coloritgreenpcd.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（Python：如何创建和可视化点云）。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：
importimageio.v3asiioimportnumpyasnpimportmatplotlib.pyplotasplt#Cameraparameters:FX_DEPTH=5.8262448167737955e+02FY_DEPTH=5.8269103270988637e+02CX_DEPTH=3.1304475870804731e+02CY_DEPTH=2.3844389626620386e+02#Readdepthimage:depth_image=iio.imread('../data/depth_2.png')#Computethegrayscaleimage:depth_grayscale=np.array(256*depth_image/0x0fff,dtype=np.uint8)#Convertagrayscaleimagetoa3-channelimage: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）。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:
#getdepthimageresolution:height,width=depth_image.shape#computeindicesandreshapeittohavethesameshapeasthedepthimage:jj=np.tile(range(width),height).reshape((height,width))ii=np.repeat(range(height),width).reshape((height,width))#Computeconstants:xx=(jj-CX_DEPTH)/FX_DEPTHyy=(ii-CY_DEPTH)/FY_DEPTH#computeorganisedpointcloud: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#Defineathresholdy_max=max(organized_pcd.reshape((height*width,3)),key=lambdax:x[1])[1]#Getthemaxvaluealongthey-axis#Setthegroundpixelstogreen:foriinrange(height):forjinrange(width):iforganized_pcd[i][j][1]>=y_max-THRESHOLD:depth_grayscale[i][j]=[0,255,0]#Updatethedepthimage#Displaydepth_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。