在PCL中使用pcl::NormalEstimation来对法线进行估计。但在对数量较大的点云进行法线计算时会耗时很长,实时性很差。PCL库提供了利用OpenMP来进行多核/多线程开发,以加快计算速度。但在使用时有可能出现以下问题:num_threads 子句的参数必须是正值。
这种结果通常出现在32位程序中。虽然不会影响结果,却看着让人很不爽。解决的办法如下:只需在此前加入compute的线程数即可。
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/integral_image_normal.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/point_types.h>
#include <pcl/features/normal_3d_omp.h>
#include <omp.h>
#include<time.h>
int
main ()
{
clock_t t1 = clock();
//加载点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
//pcl::io::loadPCDFile ("table_scene_lms400.pcd", *cloud);
pcl::io::loadPCDFile ("1.pcd", *cloud);
//估计法线
pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud (cloud);
//创建一个空的kdtree对象,并把它传递给法线估计对象
//基于给出的输入数据集,kdtree将被建立
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
ne.setSearchMethod (tree);
//输出数据集
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);
//使用半径在查询点周围3厘米范围内的所有邻元素
ne.setRadiusSearch (0.03);
ne.setNumberOfThreads(4);
//计算特征值
ne.compute (*cloud_normals);
// cloud_normals->points.size ()应该与input cloud_downsampled->points.size ()有相同尺寸
//法线可视化
pcl::visualization::PCLVisualizer viewer("PCL Viewer2");
viewer.setBackgroundColor (0.0, 0.0, 0.0);
viewer.addPointCloudNormals<pcl::PointXYZ,pcl::Normal>(cloud, cloud_normals);
while (!viewer.wasStopped ())
{
viewer.spinOnce ();
}
clock_t t2 = clock();
std::cout<<"time: "<<t2-t1<<std::endl;
return 0;
}