PCL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/daoer_sofu/article/details/96117273
PCL
http://www.pointclouds.org/documentation/tutorials/#filtering-tutorial 每个模块点击进去后，有demo可以查看
源码编译打开option开关with_docs true，生成html文档
PCD
width、height绘制的网格中，height>1有序点云，height==1无序点云 sensor_origin_ 中心点 sensor_orientation_ 模型矩阵 point类型(体素类型)，不同类型的点数据，加载出来的图像不同
- PointXYZ 常用无色点云数据
- PointXYZI i表示强度（intensity），距离越近强度越高
- PointXYZRGB RGB颜色使用float存储，彩色点云
filed:concatenateFields拼接点云的数据坐标和法线数据等 PointCloud–>PointCloudNormal 点云数据合并 a+b=c点云
Segment
- 欧几里德
std::vector<pcl::PointIndices> cluster_indices;
//欧式分割器
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance (0.02); // 2cm
ec.setMinClusterSize (100);
ec.setMaxClusterSize (25000);
//搜索策略树
ec.setSearchMethod (tree);
ec.setInputCloud (cloud_filtered);
ec.extract (cluster_indices);- 区域生长
//一个点云团队列，用于存放聚类结果
std::vector <pcl::PointIndices> clusters;
//区域生长分割器
pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
//输入分割目标
reg.setSearchMethod (tree);
reg.setNumberOfNeighbours (30);
reg.setInputCloud (cloud);
//reg.setIndices (indices);
reg.setInputNormals (normals);
//设置限制条件及先验知识
reg.setMinClusterSize (50);
reg.setMaxClusterSize (1000000);
reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI);
reg.setCurvatureThreshold (1.0);
reg.extract (clusters);- ransac带阈值的最小而乘法
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients (true);
seg.setModelType (pcl::SACMODEL_PLANE);
seg.setMethodType (pcl::SAC_RANSAC);
seg.setDistanceThreshold (0.01);
seg.setInputCloud (cloud);
seg.segment (*inliers, *coefficients);- 分割后遍历各个子集
for (std::vector<pcl::PointIndices>::const_iterator it = clusters.begin(); it != clusters.end(); it++)
{
pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_cluster(new pcl::PointCloud<pcl::PointXYZRGB>);
for (std::vector<int>::const_iterator itor = it->indices.begin(); itor != it->indices.end(); itor++)
{
cloud_cluster->points.push_back(colored_cloud->points[*itor]); //*
cloud_cluster->width = cloud_cluster->points.size();
cloud_cluster->height = 1;
cloud_cluster->is_dense = true;ModelCoefficients平面参数
Common
PosesFromMatches姿态估计 getMinMax包围和估计
Filter
过滤点云（下采样），保持形状不变减少点云数量 VoxelGrid体素网格，可以做下采样 setLeafSize设置体素的过滤大小m为单位，0.01（1cm^3）
pcl::VoxelGrid<pcl::PCLPointCloud2> sor; //创建滤波对象
sor.setInputCloud (cloud); //设置需要过滤的点云给滤波对象
sor.setLeafSize (0.01f, 0.01f, 0.01f); //设置滤波时创建的体素体积为1cm的立方体
sor.filter (*cloud_filtered); //执行滤波处理，存储输出PassThrough过滤或保留不再给定范围内的值
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud (cloud); //设置输入点云
pass.setFilterFieldName ("z"); //设置过滤时所需要点云类型的Z字段
pass.setFilterLimits (0.0, 1.0); //设置在过滤字段的范围
//pass.setFilterLimitsNegative (true); //设置保留范围内还是过滤掉范围内
pass.filter (*cloud_filtered); //执行滤波，保存过滤结果在cloud_filteredUniformSampling 均匀采样
pcl::UniformSampling<pcl::PointXYZ> filter;
filter.setInputCloud(cloud);
filter.setRadiusSearch(0.01f);
pcl::PointCloud<int> keypointIndices;
filter.compute(keypointIndices);
pcl::copyPointCloud(*cloud, keypointIndices.points, *filteredCloud);Feature
- 模型边界 BoundaryEstimation，模型
Eigen::Vector4f pcaCentroid;
Eigen::Matrix3f covariance;
pcl::compute3DCentroid(*scene, pcaCentroid);
pcl::computeCovarianceMatrixNormalized(*scene, pcaCentroid, covariance); //协方差矩阵
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3f> eigen_solver(covariance, Eigen::ComputeEigenvectors);
Eigen::Matrix3f eigenVectorsPCA = eigen_solver.eigenvectors();
//viewer.addCoordinateSystem(1,pcaCentroid.x(),pcaCentroid.y(),pcaCentroid.z());
viewer.addCube(Eigen::Vector3f(tmpCenter.x,tmpCenter.y,tmpCenter.z),Eigen::Quaternionf(eigenVectorsPCA),width,height,depth,"bbox");- 法线估计
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);
//创建法线估计估计向量
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud (cloud);
//创建一个空的KdTree对象，并把它传递给法线估计向量
//基于给出的输入数据集，KdTree将被建立
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
ne.setSearchMethod (tree);
//使用半径在查询点周围3厘米范围内的所有临近元素
ne.setRadiusSearch (0.03);
//计算特征值
ne.compute (*cloud_normals);- 点特征直方图PFH描述
查找特征点云P，得到P点最临近元素，对领域内的每对点，计算三个角度特征参数，输出直方图，点区域特征和权重
在这里插入图片描述
//其他相关操作
pcl::PointCloud<pcl::PointXYZ>::Ptrcloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::Normal>::Ptrnormals(new pcl::PointCloud<pcl::Normal>());
//打开点云文件估计法线等
//创建PFH估计对象pfh，并将输入点云数据集cloud和法线normals传递给它
pcl::PFHEstimation<pcl::PointXYZ,pcl::Normal,pcl::PFHSignature125> pfh;
pfh.setInputCloud(cloud);
pfh.setInputNormals(normals);
//如果点云是类型为PointNormal,则执行pfh.setInputNormals (cloud);
//创建一个空的kd树表示法，并把它传递给PFH估计对象。
//基于已给的输入数据集，建立kdtree
pcl::KdTreeFLANN<pcl::PointXYZ>::Ptrtree(new pcl::KdTreeFLANN<pcl::PointXYZ>());
pfh.setSearchMethod(tree);
//输出数据集
pcl::PointCloud<pcl::PFHSignature125>::Ptrpfhs(new pcl::PointCloud<pcl::PFHSignature125>());
//使用半径在5厘米范围内的所有邻元素。
//注意：此处使用的半径必须要大于估计表面法线时使用的半径!!!
pfh.setRadiusSearch(0.05);
//计算pfh特征值
pfh.compute(*pfhs);Surface
三维重建 霍夫曼变换（Hough）、哈里斯角点（Harris）
Sample Consensus
单个模型拟合去噪，RANSAC算法（带阈值的最小二乘法）
KdTree
查找特征点附近的K个临近点。由一个有其他约束条件的二叉树组成。
OCTree
查找临近点。描述三维坐标系中的8个象限。
ICP算法
注册模型，匹配模型姿态矫正 Icp算法，点集对点集配准方法，通过算法不断迭代，找到模型的匹配姿态。
IterativeClosestPoint<PointXYZ, PointXYZ> icp;
icp.setInputCloud (cloud_source);
icp.setInputTarget (cloud_target);
icp.setMaxCorrespondenceDistance (0.05);
icp.setMaximumIterations (50);
icp.setTransformationEpsilon (1e-8);
icp.setEuclideanFitnessEpsilon (1);
icp.align (cloud_source_registered);
Eigen::Matrix4f transformation = icp.getFinalTransformation ();recongnise
Linemod，目标检测算法
LineRGBD<PointXYZRGBA> line_rgbd;
std::vector<LineRGBD<PointXYZRGBA>::Detection> detections;
line_rgbd.setGradientMagnitudeThreshold (10.0);
line_rgbd.setDetectionThreshold (0.75);
line_rgbd.loadTemplates ("*.lmt"); //输入训练好的lmt文件
line_rgbd.setInputCloud (cloud);
line_rgbd.setInputColors (cloud);
line_rgbd.detect (detections);VTK(OPenGL的封装)
pcl::visualization对VTK做封装，包含pcd点云显示等功能
Eigen编译错误
EIGEN_STATIC_ASSERT_SAME_MATRIX_SIZE eigen类型不匹配会，通过编译宏断言设置错误 Eigen::Vector3f(pcl::PointRGB.getVector3fMap())
点做旋转变换，注意旋转矩阵的左乘和右乘
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2019年08月30日，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录