PCL寻找点云边界

转发自其他网站,找不到了,找到再贴网址

#include <iostream>
#include <vector>
#include <ctime>
#include <boost/thread/thread.hpp>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/console/parse.h>
#include <pcl/features/eigen.h>
#include <pcl/features/feature.h>
#include <pcl/features/normal_3d.h>
#include <pcl/impl/point_types.hpp>
#include <pcl/features/boundary.h>
#include <pcl/visualization/cloud_viewer.h>
using namespace std;

int main(int argc, char **argv)
{
        pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
        // if (pcl::io::loadPCDFile<pcl::PointXYZ>("/home/yxg/pcl/pcd/mid.pcd",*cloud) == -1)
        if (pcl::io::loadPCDFile<pcl::PointXYZ>(argv[1],*cloud) == -1)
        {
                PCL_ERROR("COULD NOT READ FILE mid.pcl \n");
                return (-1);
        }
        
        std::cout << "points sieze is:"<< cloud->size()<<std::endl;
        pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal>);
        pcl::PointCloud<pcl::Boundary> boundaries;
        pcl::BoundaryEstimation<pcl::PointXYZ,pcl::Normal,pcl::Boundary> est;
        pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
        /*
        pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;  //创建一个快速k近邻查询,查询的时候若该点在点云中,则第一个近邻点是其本身
        kdtree.setInputCloud(cloud);
        int k =2;
        float everagedistance =0;
        for (int i =0; i < cloud->size()/2;i++)
        {
                vector<int> nnh ;
                vector<float> squaredistance;
                //  pcl::PointXYZ p;
                //   p = cloud->points[i];
                kdtree.nearestKSearch(cloud->points[i],k,nnh,squaredistance);
                everagedistance += sqrt(squaredistance[1]);
                //   cout<<everagedistance<<endl;
        }

        everagedistance = everagedistance/(cloud->size()/2);
        cout<<"everage distance is : "<<everagedistance<<endl;
        
*/


        
        pcl::NormalEstimation<pcl::PointXYZ,pcl::Normal> normEst;  //其中pcl::PointXYZ表示输入类型数据,pcl::Normal表示输出类型,且pcl::Normal前三项是法向,最后一项是曲率
        normEst.setInputCloud(cloud);
        normEst.setSearchMethod(tree);
        // normEst.setRadiusSearch(2);  //法向估计的半径
        normEst.setKSearch(9);  //法向估计的点数
        normEst.compute(*normals);
        cout<<"normal size is "<< normals->size()<<endl;
        
       //normal_est.setViewPoint(0,0,0); //这个应该会使法向一致
        est.setInputCloud(cloud);
        est.setInputNormals(normals);
        //  est.setAngleThreshold(90);
        //   est.setSearchMethod (pcl::search::KdTree<pcl::PointXYZ>::Ptr (new pcl::search::KdTree<pcl::PointXYZ>));
        est.setSearchMethod (tree);
        est.setKSearch(20);  //一般这里的数值越高,最终边界识别的精度越好
        //  est.setRadiusSearch(everagedistance);  //搜索半径
        est.compute (boundaries);

        //  pcl::PointCloud<pcl::PointXYZ> boundPoints;
        pcl::PointCloud<pcl::PointXYZ>::Ptr boundPoints (new pcl::PointCloud<pcl::PointXYZ>);
        pcl::PointCloud<pcl::PointXYZ> noBoundPoints;
        int countBoundaries = 0;
        for (int i=0; i<cloud->size(); i++){
                uint8_t x = (boundaries.points[i].boundary_point);
        int a = static_cast<int>(x); //该函数的功能是强制类型转换
        if ( a == 1)
                {
                        //  boundPoints.push_back(cloud->points[i]);
                        ( *boundPoints).push_back(cloud->points[i]);
                        countBoundaries++;
                }
                else
                        noBoundPoints.push_back(cloud->points[i]);
                
    }
        std::cout<<"boudary size is:" <<countBoundaries <<std::endl;
        //  pcl::io::savePCDFileASCII("boudary.pcd",boundPoints);

        pcl::io::savePCDFileASCII("boudary.pcd", *boundPoints);
        pcl::io::savePCDFileASCII("NoBoundpoints.pcd",noBoundPoints);
        pcl::visualization::CloudViewer viewer ("test");
        viewer.showCloud(boundPoints);
        while (!viewer.wasStopped())
        {
        }
        return 0;
}

### 使用PCL库对平面点云数据进行矩形拟合 为了使用PCL库对平面点云数据进行矩形拟合,通常先通过PCA方法或其他手段找到最佳拟合平面。一旦获得了该平面,则可以在平面上寻找边界框或轮廓以定义矩形区域。 #### 平面拟合过程概述 利用主成分分析(PCA),可以从点云中提取出描述其分布的主要方向,进而确定一个最能代表这些点的最佳拟合平面[^1]。此过程中计算出来的特征向量提供了坐标轴的方向信息,而对应的特征值则反映了沿各个方向上的方差大小;其中最大的两个特征值所对应的方向构成了目标平面内的基底矢量。 对于更精确和平稳的结果,在某些场景下可能还需要调整参数如迭代次数和收敛条件来优化平面拟合的质量[^2]。 #### 实现矩形拟合的具体步骤 完成上述平面拟合之后,下一步就是识别并提取位于同一水平面上的对象边缘以便构建矩形模型: - **分割**:从原始点云中分离出属于特定平面的部分。 - **降维投影**:将三维空间中的点映射至二维平面上,简化后续操作。 - **轮廓检测/聚类**:应用诸如RANSAC等算法查找物体外接多边形或者直接运用形态学运算获取闭合曲线。 - **最小面积包围盒**:基于所得轮廓计算最小旋转矩形作为最终拟合结果的一部分。 以下是Python代码片段展示如何执行这一系列任务: ```cpp #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/features/normal_3d.h> #include <pcl/filters/passthrough.h> #include <pcl/sample_consensus/method_types.h> #include <pcl/sample_consensus/model_types.h> #include <pcl/segmentation/sac_segmentation.h> #include <pcl/filters/project_inliers.h> // ... 初始化 PointCloud 对象 ... pcl::SACSegmentation<pcl::PointXYZ> seg; seg.setOptimizeCoefficients(true); seg.setModelType(pcl::SACMODEL_PLANE); // 设置模型为平面 seg.setMethodType(pcl::SAC_RANSAC); // RANSAC 方法 seg.setMaxIterations(1000); // 迭代上限 seg.setDistanceThreshold(0.01); // 距离阈值 pcl::ModelCoefficients coefficients; pcl::PointIndices inliers; seg.setInputCloud(cloud.makeShared()); seg.segment(inliers, coefficients); if (inliers.indices.size() != 0){ pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_projected(new pcl::PointCloud<pcl::PointXYZ>); pcl::ProjectInliers<pcl::PointXYZ> proj; proj.setModelType(pcl::SACMODEL_PLANE); proj.setInputCloud(cloud.makeShared()); proj.setModelCoefficients(coefficients); proj.filter(*cloud_projected); // 继续处理 projected_cloud... } ``` 注意这段C++代码主要用于说明目的,并未完全覆盖整个流程特别是最后一步即求解最小外包矩形的过程。这可以通过OpenCV库或者其他几何工具包进一步实现。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值