PCL求点云法向量与NormalEstimation的使用

目录

原理说明

适用场景和使用感受

法向量求取实例

---

原理说明

核心是把局部点当作一个平面，利用平面的法向量与平行于平面的法向量乘机为零，来计算；

法向量的方向是不确定的，可能朝平面上，也可能是朝平面下，因此，如果需要统一法向量的方向，需要设置视点，原理是求取法向量点为起点，以视点为终点形成的向量与法向量的乘积大于零，也就是夹角是锐角；

适用场景和使用感受

PCL中把法向量作为点云的一个特征来求，即归类为3Dfeature，因此也可以单独作为一个特征使用；

在很多环节中都需要求点云的法向量，例如抓取点的抓取方向、筛选特征点，去除异常点，点云压缩、点云匹配等等；

法向量的主要参数需要根据点云的不同，和用途的不同来设置，才能满足最后的需求；

局部点集合的法向量可以结合起来得到一些信息，提取一些局部信息；

法向量求取实例

代码如下，详细看注释即可，来源见参考；

#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.h>

int
main()
{
    //加载点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("table_scene_lms400.pcd", *cloud);
    //估计法线
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud);
    //定义视点
    ne.setViewPoint(0.0, 0.0, 0.0);
    //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);
    //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 Viewer");
    viewer.setBackgroundColor(0.0, 0.0, 0.0);
    viewer.addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, cloud_normals);

    while (!viewer.wasStopped())
    {
        viewer.spinOnce();
    }

    return 0;
}

参考：《PCL点云处理》第十章