目录
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;
}