点云处理中阶 common模块

谢大旭

已于 2024-05-20 22:18:15 修改

阅读量712

点赞数 16

分类专栏： PCL点云处理文章标签：算法

于 2024-05-19 23:35:05 首次发布

本文链接：https://blog.csdn.net/cangqiongxiaoye/article/details/139049426

版权

PCL点云处理专栏收录该内容

10 篇文章 0 订阅

订阅专栏

一、概述

官网链接：Point Cloud Library (PCL): Module common

pcl_common中主要是包含了PCL库常用的公共数据结构和方法，比如PointCloud的类和许多用于表示点，曲面，法向量，特征描述等点的类型，用于计算距离，均值以及协方差，角度转换以及几何变化的函数。

pcl_common库包含大多数PCL库使用的公共数据结构和方法。核心数据结构包括PointCloud类和许多用于表示点、表面法线、RGB颜色值、特征描述符等的点类型。它还包含许多用于计算距离/范数、均值和协方差、角度转换、几何变换，等等。这个模块是不依赖其他模块的，所以是可以单独编译成功，单独编译出来可利用其中的数据结构自行开发，当然想单独提取出来编译时需要自行修改cmakeLists的。

1.1 common模块中的头文件

angles.h 定义了标准的C接口的角度计算函数
centriod.h 定义了中心点的估算以及协方差矩阵的计算
commo.h 标准的C以及C++类，是其他common 函数的父类
distance.h 定义标准的C接口用于计算距离
file_io.h 定义了一些文件帮助写或者读方面的功能。
random.h 定义一些随机点云生成的函数
geometry.h 定义一些基本的几何功能的函数
intersection.h 定义线与线相交的函数
norm.h 定义了标准的C方法计算矩阵的正则化
time.h 定义了时间计算的函数
Point_types.h 定义了所有PCL实现的点云的数据结构的类型

二、 common模块中的基本函数

1、从弧度到角度

pcl::rad2deg(fllat alpha)

2、从角度到弧度

pcl::deg2rad(float aipha)

3、正则化角度在（-PI，PI）之间

pcl::normAngle(float alpha)

4、pcl::compute3DCentroid 函数的作用是计算输入点云的质心，并将结果存储在提供的 Eigen 矩阵中。具体来说，它计算点云中所有点的坐标平均值，并返回一个包含 x, y, z 坐标和齐次坐标（通常为 1.0）的四维向量。

pcl::compute3DCentroid (const pcl::PointCloud< PointT > &cloud, Eigen::Matrix< Scalar, 4, 1 > &centroid)

5、计算给定的三维点云的协方差矩阵。

pcl::computeCovarianceMatrix (const pcl::PointCloud< PointT > 
&cloud, const Eigen::Matrix< Scalar, 4, 1 > &centroid, 
Eigen::Matrix< Scalar, 3, 3 > &covariance_matrix)

6、计算正则化的3*3的协方差矩阵以及给定点云数据的中心点

pcl::computeMeanAndCovarianceMatrix (const pcl::PointCloud< PointT > &cloud, Eigen::Matrix< Scalar, 3, 3 > &covariance_matrix, Eigen::Matrix< Scalar, 4, 1 > &centroid

7、利用一组点的指数对其进行一般的、通用的nD中心估计。

pcl::demeanPointCloud (const pcl::PointCloud< PointT > &cloud_in, const Eigen::Matrix< Scalar, 4, 1 > &centroid, pcl::PointCloud< PointT > &cloud_out)

pcl::computeNDCentroid (const pcl::PointCloud< PointT > &cloud, Eigen::Matrix< Scalar, Eigen::Dynamic, 1 > &centroid)

8、计算两个向量之间的角度

pcl::getAngle3D (const Eigen::Vector4f &v1, const Eigen::Vector4f &v2, const bool in_degree=false)

9、同时计算给定点云数据的均值和标准方差

pcl::getMeanStd (const std::vector< float > &values, double &mean, double &stddev)

10、在给定边界的情况下，获取一组位于框中的点

pcl::getPointsInBox (const pcl::PointCloud< PointT > &cloud, Eigen::Vector4f &min_pt, Eigen::Vector4f &max_pt, std::vector< int > &indices)

11、给定点云数据中点与点之间的最大距离的值

pcl::getMaxDistance (const pcl::PointCloud< PointT > &cloud, const Eigen::Vector4f &pivot_pt, Eigen::Vector4f &max_pt)

12、获取给定点云中的在XYZ轴上的最大和最小值

pcl::getMinMax3D (const pcl::PointCloud< PointT > &cloud, PointT &min_pt, PointT &max_pt)

13、计算由三个点pa、pb和pc构成的三角形的外接圆半径。

pcl::getCircumcircleRadius (const PointT &pa, const PointT &pb, const PointT &pc)

14、获取点直方图上的最小值和最大值。

pcl::getMinMax (const PointT &histogram, int len, float &min_p, float &max_p)

15、根据给定的多边形的点云计算多边形的面积

pcl::calculatePolygonArea (const pcl::PointCloud< PointT > &polygon)

16、从Point_in把字段数据赋值到Point_out

pcl::copyPoint (const PointInT &point_in, PointOutT &point_out)

17、获取两条三维直线之间的最短三维线段

pcl::lineToLineSegment (const Eigen::VectorXf &line_a, const Eigen::VectorXf &line_b, Eigen::Vector4f &pt1_seg, Eigen::Vector4f &pt2_seg)

18、获取点到线的平方距离（由点和方向表示）

pcl::sqrPointToLineDistance (const Eigen::Vector4f &pt, const Eigen::Vector4f &line_pt, const Eigen::Vector4f &line_dir)

19、在给定的一组点中获得最大分段，并返回最小和最大点。

pcl::getMaxSegment (const pcl::PointCloud< PointT > &cloud, PointT &pmin, PointT &pmax)

20、确定最小特征值及其对应的特征向量

pcl::eigen22 (const Matrix &mat, typename Matrix::Scalar &eigenvalue, Vector &eigenvector)

21、确定对称半正定输入矩阵给定特征值对应的特征向量

pcl::computeCorrespondingEigenVector (const Matrix &mat, const typename Matrix::Scalar &eigenvalue, Vector &eigenvector)

22、确定对称半正定输入矩阵最小特征值的特征向量和特征值

pcl::eigen33 (const Matrix &mat, typename Matrix::Scalar &eigenvalue, Vector &eigenvector)

23、计算2x2矩阵的逆。

pcl::invert2x2 (const Matrix &matrix, Matrix &inverse)

24、计算3x3对称矩阵的逆。

pcl::invert3x3SymMatrix (const Matrix &matrix, Matrix &inverse)

24、计算3x3矩阵的行列式

pcl::determinant3x3Matrix (const Matrix &matrix)

26、获得唯一的3D旋转，将Z轴旋转成（0，0，1）Y轴旋转成（0,1,0）并且两个轴是正交的。

pcl::getTransFromUnitVectorsZY (const Eigen::Vector3f &z_axis, const Eigen::Vector3f &y_direction, Eigen::Affine3f &transformation)

27、得到将origin转化为（0，0，0）的变换，并将Z轴旋转成（0，0，1）和Y方向（0，1，0）

pcl::getTransformationFromTwoUnitVectorsAndOrigin (const Eigen::Vector3f &y_direction, const Eigen::Vector3f &z_axis, const Eigen::Vector3f &origin, Eigen::Affine3f &transformation)

28、从给定的变换矩阵中提取欧拉角

pcl::getEulerAngles (const Eigen::Transform< Scalar, 3, Eigen::Affine > &t, Scalar &roll, Scalar &pitch, Scalar &yaw)

29、给定的转换中，提取XYZ以及欧拉角

pcl::getTranslationAndEulerAngles (const Eigen::Transform< Scalar, 3, Eigen::Affine > &t, Scalar &x, Scalar &y, Scalar &z, Scalar &roll, Scalar &pitch, Scalar &yaw)

30、从给定的平移和欧拉角创建转换矩阵

pcl::getTransformation (float x, float y, float z, float roll, float pitch, float yaw)

31、保存或者写矩阵到一个输出流中

pcl::saveBinary (const Eigen::MatrixBase< Derived > &matrix, std::ostream &file)

32、从输入流中读取矩阵

pcl::loadBinary (Eigen::MatrixBase< Derived > const &matrix, std::istream &file)

33、获取空间中两条三维直线作为三维点的交点。

pcl::lineWithLineIntersection (const Eigen::VectorXf &line_a, const Eigen::VectorXf &line_b, Eigen::Vector4f &point, double sqr_eps=1e-4)

34、获取指定字段的索引（即维度/通道）

pcl::getFieldIndex (const pcl::PCLPointCloud2 &cloud, const std::string &field_name)

35、获取给定点云中所有可用字段的列表

pcl::getFieldsList (const pcl::PointCloud< PointT > &cloud)

36、获取特定字段数据类型的大小（字节）。

pcl::getFieldSize (const int datatype)

37、连接 pcl::PCLPointCloud2类型的点云字段，用于将两个点云连接成一个新的点云。这在需要合并两个点云数据时非常有用

pcl::concatenatePointCloud (const pcl::PCLPointCloud2 &cloud1, const pcl::PCLPointCloud2 &cloud2, pcl::PCLPointCloud2 &cloud_out)

三、接口原理

3.1 正则化角度

用于将角度标准化。具体来说，这个函数将一个给定的角度 alpha 规范化到 [−𝜋,𝜋]范围内。在许多计算机视觉和点云处理的应用中，角度规范化是一个常见的需求。例如，两个角度的差异计算、角度比较、旋转等操作都需要角度在一定范围内表示，以确保计算的正确性和一致性。

假设有一个角度 alpha，它的值可能超出 [−𝜋,𝜋] 的范围。通过调用pcl::normAngle(alpha)，可以将这个角度变换到 [−𝜋,𝜋]范围内。

例如：

#include <iostream>
#include <pcl/common/common.h>

int main() {
    float alpha = 4.0f; // 假设一个角度，单位是弧度
    float normalized_angle = pcl::normAngle(alpha);
    
    std::cout << "Original angle: " << alpha << std::endl;
    std::cout << "Normalized angle: " << normalized_angle << std::endl;
    
    return 0;
}

3.2 计算点云质心

点云质心（Centroid of a Point Cloud）是指点云中所有点的几何中心位置。它是一个向量，表示点云中所有点坐标的平均值。在三维空间中，点云质心的坐标通常由 𝑥x、𝑦y 和 𝑧z 三个分量组成。

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/centroid.h>
#include <Eigen/Dense>
#include <iostream>

int main() {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 读取点云文件（假设有一个名为 "example.pcd" 的点云文件）
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("example.pcd", *cloud) == -1) {
        PCL_ERROR("Couldn't read file example.pcd \n");
        return -1;
    }

    Eigen::Vector4f centroid;
    bool success = pcl::compute3DCentroid(*cloud, centroid);

    if (success) {
        std::cout << "Computed centroid: " << std::endl;
        std::cout << "x: " << centroid[0] << std::endl;
        std::cout << "y: " << centroid[1] << std::endl;
        std::cout << "z: " << centroid[2] << std::endl;
        std::cout << "w: " << centroid[3] << std::endl;
    } else {
        std::cerr << "Failed to compute centroid." << std::endl;
    }

    return 0;
}

3.3 三维点云的协方差矩阵

3.3.1什么是点云的协方差矩阵

在三维点云处理中，协方差矩阵（Covariance Matrix）是一个非常重要的数学工具，它用于描述点云的分布特性和内部结构。具体来说，协方差矩阵提供了以下几个方面的重要信息：

点云的分布和扩展方向：协方差矩阵可以揭示点云在不同方向上的分布情况。通过对协方差矩阵进行特征值分解，可以得到点云的主方向和扩展性。特征值越大，说明点云在该方向上分布得越广。
点云的形状特性：协方差矩阵的特征值和特征向量可以用于描述点云的几何形状。例如：
- 一个特征值显著大于另外两个特征值时，点云呈现出细长的形状（如线）。
- 两个特征值较大，第三个特征值较小时，点云呈现出平面形状。
- 三个特征值差不多相等时，点云在三维空间中均匀分布，接近球形。
点云的主成分分析（PCA）：通过计算点云的协方差矩阵并进行主成分分析（Principal Component Analysis, PCA），可以提取点云的主要方向和降维后的表示。在点云配准、特征提取和降噪等任务中，PCA是一种常用的方法。

3.3.2 计算方法

以下是使用PCL（Point Cloud Library）计算点云协方差矩阵的示例代码：

3.3.3 示例1

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h>
#include <pcl/common/eigen.h>
#include <iostream>

int main() {
    // 创建一个点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 读取点云文件（假设有一个名为 "example.pcd" 的点云文件）
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("example.pcd", *cloud) == -1) {
        PCL_ERROR("Couldn't read file example.pcd \n");
        return -1;
    }

    // 计算质心
    Eigen::Vector4f centroid;
    pcl::compute3DCentroid(*cloud, centroid);

    // 计算协方差矩阵
    Eigen::Matrix3f covariance_matrix;
    pcl::computeCovarianceMatrix(*cloud, centroid, covariance_matrix);

    // 输出协方差矩阵
    std::cout << "Covariance matrix: \n" << covariance_matrix << std::endl;

    return 0;
}

3.3.4 协方差矩阵进行特征值分解

协方差矩阵的特征值分解（Eigenvalue Decomposition）是将矩阵表示为其特征向量和特征值的过程。这在点云处理中非常有用，因为特征值和特征向量可以揭示点云的几何特性。以下是如何进行特征值分解的详细说明。

数学原理

几何意义

协方差矩阵经过特征值分解了之后，可以理解为重新找到了三个基向量，以及特征值对点云进行重新表达，此时正好可以通过特征值看出点云在三个基向量的分布方向。

3.3.5 特征值分解的意义

特征值：表示点云在对应特征向量方向上的分布方差。较大的特征值意味着点云在该方向上分布较广。
特征向量：表示点云的主要方向。特征向量对应于特征值，从大到小排序，依次表示点云的主方向、次主方向和最小方向。

以下是使用Eigen库对PCL点云协方差矩阵进行特征值分解的示例代码：

3.4.6 示例2

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h>
#include <pcl/common/eigen.h>
#include <Eigen/Dense>
#include <iostream>

int main() {
    // 创建一个点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 读取点云文件（假设有一个名为 "example.pcd" 的点云文件）
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("example.pcd", *cloud) == -1) {
        PCL_ERROR("Couldn't read file example.pcd \n");
        return -1;
    }

    // 计算质心
    Eigen::Vector4f centroid;
    pcl::compute3DCentroid(*cloud, centroid);

    // 计算协方差矩阵
    Eigen::Matrix3f covariance_matrix;
    pcl::computeCovarianceMatrix(*cloud, centroid, covariance_matrix);

    // 输出协方差矩阵
    std::cout << "Covariance matrix: \n" << covariance_matrix << std::endl;

    // 对协方差矩阵进行特征值分解
    Eigen::SelfAdjointEigenSolver<Eigen::Matrix3f> eigen_solver(covariance_matrix);
    Eigen::Matrix3f eigen_vectors = eigen_solver.eigenvectors();
    Eigen::Vector3f eigen_values = eigen_solver.eigenvalues();

    // 输出特征值和特征向量
    std::cout << "Eigenvalues: \n" << eigen_values << std::endl;
    std::cout << "Eigenvectors: \n" << eigen_vectors << std::endl;

    return 0;
}

3.4 两条线之间的距离和位置

3.4.1 示例

#include <pcl/common/intersections.h>
#include <Eigen/Dense>
#include <iostream>

int main() {
    // 定义第一条线的参数：一个点和方向向量
    Eigen::VectorXf line_a(6);
    line_a << 0.0, 0.0, 0.0, 1.0, 1.0, 0.0; // 点 (0, 0, 0) 和方向 (1, 1, 0)

    // 定义第二条线的参数：一个点和方向向量
    Eigen::VectorXf line_b(6);
    line_b << 1.0, 0.0, 0.0, 0.0, 1.0, 1.0; // 点 (1, 0, 0) 和方向 (0, 1, 1)

    // 用于存储输出的最近点对
    Eigen::Vector4f pt1_seg, pt2_seg;

    // 调用 lineToLineSegment 函数
    bool result = pcl::lineToLineSegment(line_a, line_b, pt1_seg, pt2_seg);

    if (result) {
        std::cout << "The nearest points are:\n";
        std::cout << "Point on line A: (" << pt1_seg[0] << ", " << pt1_seg[1] << ", " << pt1_seg[2] << ")\n";
        std::cout << "Point on line B: (" << pt2_seg[0] << ", " << pt2_seg[1] << ", " << pt2_seg[2] << ")\n";
    } else {
        std::cerr << "Failed to find the nearest points.\n";
    }

    return 0;
}

3.4.2 数学原理

异面直线公垂线的垂足坐标计算公式推导 - 明基奶茶 - 博客园 (cnblogs.com)

谢大旭

关注

16
点赞
踩
24

收藏

觉得还不错? 一键收藏
0
评论
点云处理中阶 common模块

pcl_common中主要是包含了PCL库常用的公共数据结构和方法，比如PointCloud的类和许多用于表示点，曲面，法向量，特征描述等点的类型，用于计算距离，均值以及协方差，角度转换以及几何变化的函数。
复制链接

扫一扫