PCL 基于法向量的点云边界提取（boundary）

PCL专栏目录及须知-优快云博客

注意：本方法对于规则的（如平面、立方体等）提取效果较好，工作中可以使用。

1.原理

根据法向量进行判断，计算某一个点云点与其它邻域点连线间的法向量夹角，若夹角大于设定的阈值，则认为该点为边界点。

（1）基于领域，计算点云法向量。

（2）对每个点云点P，基于点云P法向量，做一个垂直于法向量的切平面。

（3）取点云P周围领域范围内的点云，向其切平面投影（领域内的所有点云都拍到基于法向量做的切平面上）

（4）领域内的所有点与点云点P，两两连线成一系列的向量（下图中的绿色向量）。然后这些向量按照逆时针排序，连接成一系列夹角（下图中的蓝色方向）。

（5）找到最大的夹角（下图中的红色方向），作为点云点P的夹角α。

（6）判断α和用户设定的夹角阈值β之间的大小。如果α>β，那么判断为边界点；如果α<β，那么判断为不是边界点。

如下图：

蓝色圈子：投影到切平面上的领域点。

绿色向量：两两连线成的一系列向量。

蓝色向量：两两向量之间的一系列夹角。

红色向量：找到的最大夹角。

2.使用场景

用于生成点云边界点。

工作中较常用。

3.注意事项

无

4.关键函数

（1）法向量估计相关

1）取每个点云点P的K领域搜索的值，领域搜索取得的该部分点云，拟合平面，做平面的法向量，作为点云点的法向量。

setKSearch()

（1）估计点云边界相关

1）取每个点云点P的K领域搜索的值，领域搜索取得的该部分点云，将所有点云投影到法向量平面上，然后再做后续连线得向量，向量排序，得最大夹角等步骤。

setKSearch()

2）边界信息保存为点云

最终结果boundary_point的个数和原始点云cloud的个数相同;其中boundary_point为一个char型的值，1为边界，0为非边界

    for (size_t i = 0; i < boundaries.points.size(); i++)
    {
        int flag = static_cast<int>(boundaries.points[i].boundary_point);                           // 最终结果boundary_point的个数和原始点云cloud的个数相同;其中boundary_point为一个char型的值，1为边界，0为非边界
        if (flag == 1)
            cloud_filtered->push_back(cloud->points[i]);
    }

5.代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/features/normal_3d.h>
#include <pcl/features/boundary.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

int main()
{
    /****************法线估计边界法********************/
    // 原始点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("D:/code/csdn/data/plane.pcd", *cloud);   // 加载原始点云数据
    // 结果点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

    // 生成点云法线
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normEst;                                      // 基于邻域的法线估计器
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);                    // 法向量保存
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());         // KD树
    normEst.setInputCloud(cloud);
    normEst.setSearchMethod(tree);
    normEst.setKSearch(50);                                                                         // 使用K领域搜索
    // normEst.setRadiusSearch(0.3);                                                                // 进行法向估计的领域半径（该半径范围内的点云拟合一个平面，生成点云法向量）
    normEst.compute(*normals);

    // 估计点云边界
    pcl::BoundaryEstimation<pcl::PointXYZ, pcl::Normal, pcl::Boundary> features;                    // 基于法线的点云边界估计器
    pcl::PointCloud<pcl::Boundary> boundaries;                                                      // 保存点云边界
    features.setInputCloud(cloud);
    features.setInputNormals(normals);
    features.setSearchMethod(tree);                                                                 // 树搜索
    features.setKSearch(50);                                                                        // K领域搜索
    //features.setRadiusSearch(0.2);                                                                // 也可使用半径搜索
    features.compute(boundaries);

    // 边界信息保存为点云
    for (size_t i = 0; i < boundaries.points.size(); i++)
    {
        int flag = static_cast<int>(boundaries.points[i].boundary_point);                           // 最终结果boundary_point的个数和原始点云cloud的个数相同;其中boundary_point为一个char型的值，1为边界，0为非边界
        if (flag == 1)
            cloud_filtered->push_back(cloud->points[i]);
    }

    /****************展示********************/
    boost::shared_ptr<pcl::visualization::PCLVisualizer> view_raw(new pcl::visualization::PCLVisualizer("raw"));
    view_raw->addPointCloud<pcl::PointXYZ>(cloud, "raw cloud");
    view_raw->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "raw cloud");

    boost::shared_ptr<pcl::visualization::PCLVisualizer> view_filtered(new pcl::visualization::PCLVisualizer("filter"));
    view_filtered->addPointCloud<pcl::PointXYZ>(cloud_filtered, "filtered cloud");
    view_filtered->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "filtered cloud");

    while (!view_raw->wasStopped())
    {
        view_raw->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
    while (!view_filtered->wasStopped())
    {
        view_filtered->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }

    return 0;
}

6.结果展示