PHFEstimation大点云采用邻近点而非距离

最新推荐文章于 2025-08-27 23:22:46 发布

原创最新推荐文章于 2025-08-27 23:22:46 发布 · 440 阅读

0 ·

CC 4.0 BY-SA版权

pcl 专栏收录该内容

8 篇文章

订阅专栏

本文探讨了使用PFH特征估计算法处理大点云数据时遇到的问题及解决方案。作者最初尝试设置邻近点个数为250进行特征提取，但发现对于大规模点云并不适用；随后尝试采用基于半径搜索的方法，同样未能解决问题。最终通过减少邻近点数量至10，成功解决了特征描述为空的问题。

pcl::PointCloud<pcl::PFHSignature125>::Ptr cloud_pfhOutput(new pcl::PointCloud<pcl::PFHSignature125>);
cloud_pfhOutput->is_dense = true;
pcl::search::KdTree<pcl::PointXYZ>::Ptr pfhKDTree(new pcl::search::KdTree<pcl::PointXYZ>);
pcl::PFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::PFHSignature125> pfh;
pfh.setSearchMethod(pfhKDTree);
pfh.setKSearch(numberOfNearestNeighbor);
pfh.setInputCloud(cloud_siftOutput);
pfh.setInputNormals(cloud_normals);
pfh.setSearchSurface(cloud_sampled);
//pfh.setRadiusSearch(searchRadius);
pfh.compute(*cloud_pfhOutput);

一开始的时候,用的邻近点个数,250,

即
pfh.setSearchMethod(250);

但是对于大点云来说,不合适,结果cloud_pfhOutput里面的descriptorSize()都是0,即为空

后来改为pfh.setRadiusSearch(searchRadius);

对空间距离不好把握，所以也为空

再改为邻近点为10，

即
pfh.setSearchMethod(10);