weixin_44329757的博客

一种路面点云提取的技术方案以及具体实现，提供代码和效果图

点云处理相关文章

PCL点云处理之多条直线拟合提取（十九）作用效果代码作用从原始点云中拟合提取多条直线分布的点云集合效果提取前提取结果代码#include <iostream>#include <pcl/console/parse.h>#include <pcl/filters/extract_indices.h>#include <pcl/io/pcd_io.h>#include <pcl/point_types.h>#include

PCL点云处理之直线拟合提取（十五）作用代码效果作用从原始点云中拟合提取出一组最符合直线分布的点代码#include <iostream>#include <pcl/console/parse.h>#include <pcl/filters/extract_indices.h>#include <pcl/io/pcd_io.h>#include <pcl/point_types.h>#include <pcl/visuali

一、渐进形态学滤波法1、滤波是什么通常，滤波指将原始点云分为地面点和非地面的过程，有些论文中也称为一级分类。2、形态学是什么图像处理中的形态学操作包括腐蚀、膨胀、开运算、闭运算、顶帽变换等，一般是针对二值图像进行，即像素值为0和1的图像。下图示例为腐蚀，膨胀的原图（左）和结果图（右），若我们着眼于蓝色区域，那么腐蚀膨胀就是蓝色区域变小变大的过程：1、腐蚀遍历原图中的格网，在以某个格网为中心的33窗口中若全是值为1的格网，则在结果图中，将该格网对应位置处的格网值设置为1。2、膨胀遍历原图中

点云配准分两步走：SAC-IA（粗配准）：用随机采样和特征匹配快速找到点云间的大致对齐关系（解决全局初始位置偏差）。ICP（精配准）：在粗配准基础上，通过迭代优化最小化点对距离，实现高精度对齐（解决局部细节偏差）。

在三维点云处理领域，点云配准是一个核心且关键的任务。它的主要目标是将不同视角下获取的点云数据对齐到同一坐标系中，从而实现对完整场景的重建和分析。点云配准广泛应用于机器人导航、三维重建、虚拟现实等众多领域。全局配准作为点云配准的一个重要分支，旨在不依赖初始估计的情况下，找到两个或多个点云之间的初始变换关系。

下面的代码具体将实现这样这样的功能：1、生成模拟含噪声的球点云数据2、最小二乘拟合球3、可是化显示点云和拟合球。

我们可以使用基于射线法的点在多边形内部检测算法。具体思路是从点向任意方向发出一条射线，统计它与多边形边的交叉次数。如果交叉次数为奇数，则该点在多边形内部；如果为偶数，则在外部。代码不依赖其他三方库，直接运行即可，接口简单，不做解释，具体使用前请自己验证。

这里实现一种判断点与多边形位置关系的算法，具体使用前可能需要验证!!!，这里只做了有限的测试用于参考，代码实现不依赖其他库，使用接口直接看给出示例即可，注意使用前自己必须亲自验证。

Super4PCS全面分析使用，多组实验测试

假设现在有红色和蓝色两片点云，属于同一建筑物，但红色点云只有部分与蓝色重叠，此时将红色点云配准到蓝色点云，二者对齐，这次实验得到的结果如上图所示，作为粗配准来说，效果是可以接受的。但这仅限于某一类物体，如果是大的场景点云，可能效果就另当别论了，下面是具体的代码，参数的一些使用经验。

点云垂直度的计算方法：通过公式能知道地面，人行道、绿篱等位置的点云，法向量垂直近似平行于Z轴，垂直度值较小，而车载激光点云中，路缘石和车辆轮胎等点云，垂直度较大， 通过设置一定的阈值，即可将这两种区域场景点云分离，便于后续的操作，这里提供垂直度的计算方法、颜色渲染。

（本文提供详细注释，输出拟合平面参数和平面点云）Lmeds（Least Median of Squares）是一种统计学方法，通过选择中位数优化参数以减小残差的方差。

读取的点云是无序散乱的，点云坐标包括xyz三个维度，以常用的z高程维度为例，计算其高程中值，获取对应的点。主要涉及到根据高程对点云进行排序的操作

二维平面，给定三个点，确定唯一圆的中心和半径参数。

现在假设有这样一群点云，它们分布在一个球的表面，可能并不严格，带有些许噪声，此时我们需要计算球心坐标和球的半径。（这里提供完整的实验过程，包括人为选择球参数随机生成假设数据，球面点云拟合，拟合参数与初始参数比较来评价拟合效果等。这里使用最小二乘法，球的坐标公式：每个点的坐标都应该满足它，那么每个点的xyz代入该公式，直接联立整理成AX=b的形式，直接最小二乘求解，这里的公式是按照本人意思直接整理出来的，可能不科学，但最后的结果显示，这样做确实是可以拟合的，结果如下。整理方法直接看代码就行。

算法实验中，可能会用到一些规则物体的点云，比如我们这里介绍的球面点云，即有一些点均匀或随机的分布在某个球的表面，球的中心和半径是指定的，而且为了更符合实际，我们有时候还需要在点云中添加一些高斯噪声点，所以下面会介绍三种球面点云生成方法，结果会保存到TXT文件中，适应不同的使用需求。

相比于计算点坐标均值作为球心和某点到均值距离作为半径的快速计算法，这里介绍的方法更加适合精度要求较高的四点定球计算，下面是具体的实现代码，C++编写，无依赖库，可直接运行，并在主函数中设置了四个点作为验证输入，证明最后的结果是否准确。

因为一直有朋友问数据，其实有很多的公开数据集可以使用，可能刚开始学习不习惯找吧，所以这里我也提供一些自己使用过的道路，树木，建筑物的点云数据，用于实验和研究学习，数据量较小，放在百度网盘了。需要就用，不需要就再交流吧。

实现RANSAC（Random Sample Consensus）圆柱拟合而非调用库实现的重要性在于深入理解算法的原理和实现过程。这种自主实现有以下几个重要作用：理解算法细节：通过手动实现RANSAC圆柱拟合，可以更深入地理解RANSAC算法的细节和原理，包括随机抽样、模型参数估计、内点和外点判断等步骤。定制化需求：自主实现RANSAC圆柱拟合可以根据具体需求进行定制化修改和优化，以适应特定数据或场景的要求。

有时候，我们处理的点云平面并非位于水平面，而是位于某个任一三维平面上，而大多数算法又只能在水平面处理，或者水平面的点云处理是相对更简单的，所以我们需要做下面的这个处理，将点云旋转到绝对水平的位置，简称为点云置平（有色点云为原始点云，黑色点云为置平后的点云，这里是从侧面观察，所以平面点云在视觉上形成了一条线。

这个算法的作用是对给定的点云数据进行圆柱拟合，从而得到圆柱的主轴向量、中心点和半径参数。具体来说，该算法的作用包括：输入：点云数据，由一系列三维点组成。点云数据可以从文件中加载得到。计算：通过对输入的点云数据进行计算，包括计算点云的质心、圆柱的主轴向量和圆柱的半径。输出：拟合得到的圆柱参数，包括计算得到的质心、主轴向量和圆柱半径。这些参数可以用于后续的应用，比如机器人导航、三维重建、物体识别等领域。

根据自己指定的圆柱长度、圆柱半径、以及中心轴的方向，生成一个圆柱点云数据，保存在PCD文件中。可以在后续的相关实验中使用。

读取点云，使用PCL将其可视化，在窗口点云中鼠标点击两个点，输出他俩的坐标和之间的距离，效果如下所示：

在PCL点云处理之等比例放大与缩小点云尺寸（七十二）一章中，介绍了如何等比例放大缩小一块点云，这里介绍如何反算得到两片经过放缩的点云之间的比例，这种计算方法应该不受点云形状和所处位置以及旋转姿态的影响，而正确准确反映放缩比例，下面是具体的计算代码。

点与三角形的位置共有三种：1 内部2 外部3 点刚好在边上（这个判断还是很有必要的，应用广泛，下面代码复制粘贴即可使用，纯C++实现）

PCL点云库提供的多种工具，可以组合为一套完整的点云配准流程，这里选择FPFH特征，进行具体的配准流程实现，主要内容包括点云读取、点云法线计算、点云特征计算、特征匹配对计算、匹配矩阵计算、点云旋转平移变换、结果点云保存等一套完成的配准所需代码，直接复制粘贴即可使用，对于点云配准的学习有很大帮助，具体内容如下：代码如下（示例）：2.效果

（点云的全局配准中，特征配准是主流方法之一，这里算法前面相关内容的一个全面总结，形成配准的固定套路，便于后续的改造优化使用，但基本的算法内容已经具备，直接复制粘贴使用即可，代码写的很清晰，非常适合点云配准的入门和复习）在一百六十章中我们通过手选同名点计算了配准矩阵，实现了两片点云的全局配准，但实际使用时手选过程耗时，此时PCL提供了自动的计算同名点方法，需要我们计算点云的局部特征，然后得到准确的匹配关系点对，然后再继续计算配准矩阵，从而实现两片点云的自动配准，主要的流程包括：1两片点云读取。

关于点云配准中的匹配对，如果能够可视化将极大提高实验的准确性，还好PCL提供了这样的可视化工具，做法是将匹配对的两个点之前进行连线并赋予颜色显示，这在论文作图以及具体实验中都是非常有用的技巧，二百一十八章的获取匹配关系对已经给出获取方法，这一章对获取的匹配关系进行可视化，具体的代码简洁明了，复制粘贴即可使用，为了读者方便，这里将二章的内容合起来，形成了完整的匹配关系获取和可视化的算法流程。

点云配准的前提是，我们知道或者预测了一些匹配对，我们认为这些匹配对就是两片点云中的同名点，同名点就是由于激光扫描存在误差的关系，导致同一地物在两片点云中的位置存在一些偏差，代表同一位置的两个点即为同名点，当有多个这样的匹配点对时，我们就可以估计两片点云之间的变换关系，将两块点云移动到重合的程度，即两篇点云之间不再有偏差。这里就给出利用FPFH特征获取两片点云的匹配关系的点对。具体的计算步骤为：（1）输入两片点云S 和 T，我们需要将S移动到T。

前文介绍了SHOT的特征描述方法计算。这里加入颜色信息，更全面的SHOTRBG特征描述，下面是具体的计算方法，需要点云附带颜色信息，包含了法线计算步骤。

在前文中计算了点特征直方图PFH，利用了点云的三维坐标信息，这里介绍考虑颜色信息的PFHRGB特征计算，对于该特征的使用可能有更好的效果，下面是具体的实现方法，复制黏贴即可使用，代码可以运行。

继续SIFT关键点的提取介绍，之前已经基于高程和颜色分别提取了关键点，这里是基于强度信息，若遇到文件无法读取强度问题，请参考上一篇博文，下面是具体的实现方法，复制黏贴即可直接使用。效果预览如下所示:（红色代表关键点）

问题：在PCL库读取点云文件，例如PCD,PLY格式的文件时，可能会出现Failed to find match for field 'intensity’的警告信息，此时，可能由两种原因导致，下面给出具体的解决方法。

关键点提取方法众多，其中SIFT关键点提取的准确度和稳定性都是极为出色的，之前已经介绍了基于高程特征的SIFT关键点提取，这里是基于颜色特征的SIFT关键点提取，代码简洁易于阅读，复制黏贴即可使用。

给出的路径，最好提前判断路径是否存在，避免输出错误这里主要是判断两件事，一是string是否为文件路径，二是文件路径是否存在。

离散点云重建为mesh网格模型，并保存到PLY文件中，用于其他软件打开查看，代码非常简短，复制粘贴即可迅速上手使用，具体参数根据自己的点云数据调整或许可以达到更好的效果，当然下文中的参数也能适应大部分类似场景。//读入点云//点云转mesh方法 （Possion）----------------------------------------------------------------------//首先是估计点云法线，//带法线的点云结果。

PCL提供的possion方法可以将点云重建为Mesh网格模型，并保存为ply格式的文件，使用方法比较简单，总共包括点云法线计算和模型重建两个模块类的使用，下面是具体的代码展示，具体的参数调整需要对源码进行阅读，这里提供的参数基本可以重建，但效果一般实际上这效果我看着一塌糊涂，可能是我不会调整参数吧。

PCL提供的移动最小二乘MLS算法，可以对原始点云进行快速的去噪和法线计算，用于后续其他处理，这里是简单的代码实现，直接复制粘贴即可使用，邻域点的计算范围需要适当的根据点云调整，可以尝试发现具体的设置方法和效果，下面是代码和效果。