计算法向量和相应的点的位置

最新推荐文章于 2024-05-07 09:46:51 发布

原创最新推荐文章于 2024-05-07 09:46:51 发布 · 318 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#c++ #开发语言

点云学习专栏收录该内容

5 篇文章

订阅专栏

该代码示例展示了如何基于PCL库，利用OMP并行计算优化来计算点云的法向量，并通过PCL可视化工具显示。首先，它加载点云数据，进行下采样，然后使用NormalEstimationOMP类计算法向量，最后在PCL视觉izer中展示点云及其法向信息。

代码～以这个大佬的代码为基础改的PCL 计算点云法向量并显示_pcl计算法向量_点云侠的博客-优快云博客

#include <pcl/point_types.h>

#include <pcl/io/pcd_io.h>

#include <pcl/kdtree/kdtree_flann.h>

//#include <pcl/features/normal_3d.h>

#include <pcl/features/normal_3d_omp.h>//使用OMP需要添加的头文件

#include <pcl/visualization/pcl_visualizer.h>

#include <boost/thread/thread.hpp>

#include <pcl/filters/voxel_grid.h>

using namespace std;

int main()

{

//------------------加载点云数据-------------------

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//先是构造pcl::PointCloud<pcl::PointXYZ>::Ptr 类型的cloud对象，再使用new pcl::PointCloud<pcl::PointXYZ>给他赋值

if (pcl::io::loadPCDFile<pcl::PointXYZ>("camera_pcd.pcd", *cloud) == -1)//把点云数据存储进cloud里面

{

PCL_ERROR("Could not read file\n");

}

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);

pcl::VoxelGrid<pcl::PointXYZ> sor;

sor.setInputCloud(cloud);

sor.setLeafSize(0.5f, 0.5f, 0.5f);

sor.filter(*cloud_downsampled);

//------------------计算法线----------------------

pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal > n;//OMP加速

pcl::PointCloud<pcl::Normal >::Ptr normals (new pcl::PointCloud<pcl::Normal>);//构造pcl::PointCloud<pcl::Normal>::Ptr 类型的normals对象

pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>()); //建立kdtree来进行近邻点集搜索

n.setNumberOfThreads(10);//设置openMP的线程数

//n.setViewPoint(0,0,0);//设置视点，默认为（0，0，0）

n.setInputCloud(cloud_downsampled);//设置cloud为原始点云

n.setSearchSurface(cloud);

n.setSearchMethod(tree);

n.setKSearch(10);//点云法向计算时，需要所搜的近邻点大小

//n.setRadiusSearch(0.03);//半径搜素

n.compute(*normals);//开始进行法向计

int num2=normals->points.size();

int num=1;

while (20*num<=num2)

{

cout<<20*num<<endl;

cout<<"位置信息"<<endl;

cout<<"["<<cloud_downsampled->points[20*num].x <<" "

<<cloud_downsampled->points[20*num].y<<" "

<<cloud_downsampled->points[20*num].z<<" ]"<<endl;

cout<<"法向量方向"<<endl;

cout<<"["<<normals->points[20*num].normal_x<<" "

<<normals->points[20*num].normal_y<<" "

<<normals->points[20*num].normal_z<<" "

<<normals->points[20*num].curvature<<"]"<<endl;

num=num+1;

}

//----------------可视化--------------

boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Normal viewer"));

//viewer->initCameraParameters();//设置照相机参数，使用户从默认的角度和方向观察点云

//设置背景颜色

viewer->setBackgroundColor(0.3, 0.3, 0.3);

viewer->addText("faxian", 10, 10, "text");

//设置点云颜色

pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color(cloud, 0, 225, 0);

//添加坐标系

viewer->addCoordinateSystem(0.1);

viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, single_color, "sample cloud");

//添加需要显示的点云法向。cloud为原始点云模型，normal为法向信息，20表示需要显示法向的点云间隔，即每20个点显示一次法向，0.02表示法向长度。

viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud_downsampled, normals, 20, 0.02, "normals");

//设置点云大小

viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "sample cloud");

while (!viewer->wasStopped())

{

viewer->spinOnce(100);

boost::this_thread::sleep(boost::posix_time::microseconds(100000));

}

return 0;

}

效果