使用PCL进行3D形状描述子计算和可视化

最新推荐文章于 2024-06-06 11:12:45 发布

OnSqlserver

最新推荐文章于 2024-06-06 11:12:45 发布

阅读量77

点赞数

文章标签： 3d PCL

本文链接：https://blog.csdn.net/OnSqlserver/article/details/133121849

版权

PCL 专栏收录该内容

57 篇文章 5 订阅 ¥59.90 ¥99.00

订阅专栏

文章介绍了如何利用Point Cloud Library（PCL）进行3D形状描述子的计算和可视化，主要涉及C++编程环境的设置、点云数据的加载、计算参数的设定以及使用PCL进行形状描述子的计算与可视化展示。

摘要由CSDN通过智能技术生成

计算和描述三维形状是许多计算机视觉和机器学习任务的重要步骤之一。在这篇文章中，我们将介绍如何使用点云库（Point Cloud Library，PCL）来计算三维形状描述子（3D Shape Context）并进行可视化展示。我们将使用C++编程语言来实现这些操作。

首先，我们需要安装PCL库并设置好开发环境。在此之前，请确保您已经正确安装了C++编译器和CMake构建工具。您可以从PCL官方网站（https://pointclouds.org/downloads/ ↗）下载最新的PCL发行版，并按照官方文档中的说明进行安装和配置。

一旦您设置好了PCL开发环境，我们就可以开始编写代码了。以下是一个简单的示例，展示了如何使用PCL计算三维形状描述子并将其可视化。

#include <iostream>

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

OnSqlserver

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

PCL 计算USC并可视化

点云侠的博客

11-24

1012

计算USC特征描述并可视化

PCL 重建点云凸包并可视化

热门推荐

点云侠的博客

02-09

36万+

使用PCL1.11.1和PCL1.14.1实现的重建点云凸包并进行可视化，以及凸包面积和体积的计算。

参与评论您还未登录，请先登录后发表或查看评论

PCL-3D特征描述子

weixin_38498629的博客

04-27

427

3D特征描述子什么是3D特征描述子？特征描述子 Feature Descriptor 是每个特征点独特的身份认证同一空间点在不同视角的特征点具有高度相似的描述子不同特征点的描述子差异性尽量大通常描述子是一个具有固定长度的向量描述子可以分为以下几种类型：基于不变性的描述子、基于直方图的描述子、二进制描述子 PCL主要实现了： NARF特征点描述子 PFH(FPFH)点特征直方图描述子 RoPs 特征 VFH视点特征直方图描述子 GASD全局对齐的空间分布描述子基于惯性矩和偏心率的描述

利用PCL库画简单的三维立体图形

SingDancer的专栏

08-14

6790

利用PCL库画简单的三维立体图形需要知道各种图形的参数方程，然后给每个参数赋值便可以。圆柱面的参数方程为：x = R*cos(θ); y = R*sin(θ); z = z;其中 θ范围是[-2*PI, 2*PI), z的范围是(-∞，+∞）球面的参数方程是：x = R*sin(θ)*cos(ψ); y = R*sin(θ)*sin(ψ); z = R*cos(θ);其中θ∈[0,

点云处理学习笔记（六）-- 特征描述 2D/3D Shape Context

不学会C++不改名

07-01

2168

一、2D Shape Context 形状上下文特征多用于形状匹配和目标识别，它采用一种基于形状轮廓的特征描述方法，其在对数极坐标系下利用直方图描述形状特征能够很好地反映轮廓上下采样点的分布情况。形状上下文特征的基本原理如下： 1.对于一个给定的形状，通过边缘检测算子（如Canny算子）获取轮廓边缘，对轮廓边缘采样将获得一组离散的点集P = {p1, p2, p3, ..., pn}； 2.计算形状上下文，以其中任意一点pi为参考点，在以pi为圆心、R为半径的...

[论文阅读] A novel binary shape context for 3D local surface description

supengufo的博客

03-05

903

A novel binary shape context for 3D local surface description 文章目录A novel binary shape context for 3D local surface description2 BSC for 3D local surface description2.1 Binary shape context descriptor...

读论文：Recognizing Objects in Range Data Using Regional Point Descriptors （3D shape context 形状描述子）

shaozhenghan的博客

08-09

3926

Recognizing Objects in Range Data Using Regional Point Descriptors Andrea Frome 1 , Daniel Huber 2 Ravi Kolluri 1 , Thomas Bülow 1, and Jitendra Malik 1 1：University of California Berkeley, Berkeley C...

FPFH特征描述符、对应关系可视化以及ICP配准

qq_58060770的博客

02-18

1052

参数的设置会影响配准的结果。例如，对应关系估计的阈值会影响匹配的严格度，而刚性变换的估计方法则会影响配准的准确度和鲁棒性。需要根据具体的应用场景和数据特点来选择合适的参数值。总的来说，这段代码的作用是计算并可视化点云的FPFH特征。参数的设置会直接影响特征的计算和可视化效果，因此需要根据具体的数据和需求进行调整。以及本章第一部分已经解释了大部分函数，这里就不赘述了。

3DSC特征描述符、对应关系可视化以及ICP配准

qq_58060770的博客

02-18

1506

以及本章第一部分已经解释了大部分函数，这里就不赘述了。配准结果，程序运行很慢，要等好几分钟。

2D_3D shape recognition using shape context

12-18

2D_3D shape recognition using shape context C++ 代码

pcl::ShapeContext3DEstimation，initCompute(void)，error LNK2001: 无法解析的外部符号

最新发布

qq_45840976的博客

06-06

155

在使用pcl::ShapeContext3DEstimation模块报错。

文献精读 A novel binary shape context for 3D local surface description ISPRS 2017

吃不胖的粥

04-27

432

（之前都是写在葵花宝典上，怕本子会消失，我又懒得重写打字，所以扫描后记录在博客上）（PS：我是真的好喜欢在纸质本子上写字的感觉啊啊）能力有限，有错误的地方欢迎指出！ ...

浅谈三维形状上下文特征3DSC理论及应用

06-09

2402

在之前的博客中，我们已经介绍过了使用FPFH在点云上建立局部形状描述，实现对点云局部隐曲面几何特征的高效表达(浅谈FPFH算法实现原理及其在点云配准中的应用)。今天，我们将介绍另外一种局部形状描述子: 3DShapeContext (3DSC)。最近上课需要准备这部分内容，本打算找一个现成的博客学习一下了事的。但是看了几个博客，感觉还是差点意思，于是我下载了原始论文，从头读了一遍，将一些原理与实现细节在这篇博客做个展开，希望能够帮助到有需要的同学。...

三维计算机视觉（六）--3DSC（3D形状上下文特征）

工作笔记

10-07

1万+

首先，3DSC特征是在2DSC的基础上扩展的，因此，先介绍2DSC。 2D Shape Context 形状上下文特征是一种很流行的形状描述子，多用于形状匹配，目标识别，它采用一种基于形状轮廓的特征描述方法,其在对数极坐标系下利用直方图描述形状特征能够很好地反映轮廓上采样点的分布情况。形状上下文的基本原理如下： Step1:对于给定的一个形状,通过边缘检测算子(如:canny算子)

PCL点云特征描述与提取

qq_33287871的博客

07-24

1643

3D点云特征描述与提取是点云信息处理中最基础也是最关键的一部分，点云的识别。分割，重采样，配准曲面重建等处理大部分算法，都严重依赖特征描述与提取的结果。从尺度上来分，一般分为局部特征的描述和全局特征的描述，例如局部的法线等几何形状特征的描述，全局的拓朴特征的描述，都属于3D点云特征描述与提取的范畴，特征描述与提取相关的概念与算法 1.3D形状内容描述子（3D shape contexts）利用描述子建立曲面间的对应点在3D物体识别领域有广发的应用，采用一个向量描述曲面上指定点及邻域的形状特征，通过匹配向

Exploring Data-Efficient 3D Scene Unserstanding with Contrastive Scene Contexts 论文阅读 CVPR21

MikeCSDN17的博客

11-25

280

这是一篇的文章，本篇文章旨在构建一个单模态的自监督预训练方法，使得3D模型在无标签的前提下进行预训练获得3D知识。

【形状匹配算法】Shapecontext形状上下文算法的研究

Xuefeng_BUPT的博客

07-03

1万+

形状上下文是用于对象识别的特征描述符。Serge Belongie和Jitendra Malik在2000年的论文“匹配形状上下文”中提出了这一术语 Shapecontext算法是统计两个点集中每一个点的上下文信息，并且对比两点集每个点之间的上下文信息是否近似，得到一个最近似的一组排列，即可找到第一个点集的每一个点对应第二个点集的点。

形状匹配之形状上下文(Shape context)

u012507022的博客

09-05

2万+

形状上下文特征是一种很流行的形状描述子，多用于目标识别，它采用一种基于形状轮廓的特征描述方法,其在对数极坐标系下利用直方图描述形状特征能够很好地反映轮廓上采样点的分布情况。形状上下文的基本原理如下： Step1:对于给定的一个形状,通过边缘检测算子(如:canny算子)获取轮廓边缘 ,对轮廓边缘采样得到一组离散的点集P={p1,p2,p3,..pn }，如图1中的字母A。 Step2

3D目标识别---局部特征描述子介绍

FireMicrocosm的专栏

09-22

1万+

1. 3D识别的流程图 2. 局部特征描述子 Spin Image 统计的是在特征点局部圆柱坐标系下的领域点2D坐标分布直方图特征。如下图所示，圆柱坐标系由特征点p的法向量n以及切平面构成。点 p的所有球形领域点q在圆柱坐标系下的坐标分布形成一个2D的Points分布图，然后离散化得到spin image。离散的过程会通过双线性插值的方式平滑每个点的作用，是的该描述

PCL对二值化描述子计算汉明距离并可视化的代码

05-29

以下是使用 PCL 计算二值化描述子汉明距离并可视化的示例代码： ```cpp #include <pcl/features/normal_3d.h> #include <pcl/features/shot.h> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/visualization/histogram_visualizer.h> int main(int argc, char** argv) { // 加载点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ>("cloud.pcd", *cloud); // 估计法线 pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne; ne.setInputCloud(cloud); pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>); ne.setSearchMethod(tree); pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>); ne.setRadiusSearch(0.03); ne.compute(*normals); // 计算SHOT描述符 pcl::SHOTEstimation<pcl::PointXYZ, pcl::Normal, pcl::SHOT352> shot; shot.setInputCloud(cloud); shot.setInputNormals(normals); pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>); shot.setSearchMethod(tree2); pcl::PointCloud<pcl::SHOT352>::Ptr descriptors(new pcl::PointCloud<pcl::SHOT352>); shot.setRadiusSearch(0.1); shot.compute(*descriptors); // 将描述符二值化 const float threshold = 0.5; for (size_t i = 0; i < descriptors->size(); ++i) { for (size_t j = 0; j < 352; ++j) { if ((*descriptors)[i].descriptor[j] > threshold) { (*descriptors)[i].descriptor[j] = 1; } else { (*descriptors)[i].descriptor[j] = 0; } } } // 计算汉明距离 std::vector<int> distances; for (size_t i = 0; i < descriptors->size(); ++i) { for (size_t j = 0; j < i; ++j) { int distance = pcl::getHammingDistance((*descriptors)[i], (*descriptors)[j]); distances.push_back(distance); } } // 可视化汉明距离的分布 pcl::visualization::PCLHistogramVisualizer vis; vis.addFeatureHistogram(distances, 32, "Hamming distance"); vis.spin(); return 0; } ``` 这个示例代码加载了一个点云数据，使用 `SHOTEstimation` 计算描述符，并将描述符二值化。然后，它计算每对描述符之间的汉明距离，并将距离可视化为直方图。