第一周 PCL学习
一、PCL介绍
PCL(Point Cloud Library)是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源c++编程库，它实现了大扯点云相关的通用算法和高效数据结构，涉及点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等，支持多种操作系统平台，可在Windows、Linux、Android、MacOS X、部分嵌入式实时系统上运行。如果说OpenCV是2D信息获取与处理的结晶，那么PCL就在3D信息获取与处理上具有同等地位，PCL是BSD授权方式，可以免费进行商业和学术应用。
简单的来说 PCL有利于三维模型的处理。
1.1 PCL框架介绍
如图PCL架构图所示，对于3D点云处理来说，PCL完全是一个的模块化的现代C++模板库。其基于以下第三方库：Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull，实现点云相关的获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。
PCL利用OpenMP、GPU、CUDA等先进高性能计算技术，通过并行化提高程序实时性。K近邻搜索操作的构架是基于FLANN (Fast Library for Approximate Nearest Neighbors)所实现的，速度也是技术中最快的。PCL中的所有模块和算法都是通过Boost共享指针来传送数据的，因而避免了多次复制系统中已存在的数据的需要，从0.6版本开始，PCL就已经被移入到Windows，MacOS和Linux系统，并且在Android系统也已经开始投入使用，这使得PCL的应用容易移植与多方发布。
Boost介绍
其是一个C++可以移植的、开源的C++库
https://baike.baidu.com/item/Boost/69144
Eigen
Eigen是一个高层次的C ++库，有效支持线性代数，矩阵和矢量运算，数值分析及其相关的算法。Eigen是一个开源库，从3.1.1版本开始遵从MPL2许可。
https://blog.csdn.net/fengbingchun/article/details/47378515
FLANN
FLANN（Fast Library for Approximate Nearest Neighbors）是一个执行快速近似最近邻搜索的库。FLANN使用C++写成。他能够很容易地通过C，MTALAB和Python等绑定提供的库，用在很多环境中。
https://blog.csdn.net/Linux_bin/article/details/82586343
VTK
可视化工具包（Visualization Toolkit， VTK）是一个开源、跨平台、可自由获取、支持并行处理的图形应用函数库。
VTK包含一个C++类库，众多的编程语言接口，包括Tcl/Tk、Java、Python，在三维函数库OpnGL的基础上采用面向对象的设计方法发展起来的，将可视化开发过程中会经常遇到的细节屏蔽起来，并封装了一些常用的算法。
基本概念和数据结构是最重要的基础，可视化管线是实现数据到显示结果的组织形式，是VTK中的核心概念
https://blog.51cto.com/11496263/1825917
CUDA
CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。*** GPU与CUDA***
https://blog.csdn.net/u014380165/article/details/77340765
OpenNI
OpenNI(开放自然交互)是一个多语言，跨平台的框架，它定义了编写应用程序，并利用其自然交互的API。OpenNI API由一组可用来编写通用自然交互应用的接口组成。OpenNI的主要目的是要形成一个标准的API，来搭建视觉和音频传感器与视觉和音频感知中间件通信的桥梁。
https://blog.csdn.net/u013207865/article/details/50458019
Qhull
QHull是一个开源的程序软件，用来研究解决凸包问题，生成凸包形体。
QHull计算凸包，Delaunay三角网格，Voronoi图，点halfspaceintersection,furthest-site Delaunay三角网格,furthest-siteVoronoi图。
OpenMP
OpenMP是一个跨平台的多线程实现，主线程(顺序的执行指令)生成一系列的子线程，并将任务划分给这些子线程进行执行。这些子线程并行的运行，由运行时环境将线程分配给不同的处理器。
具体介绍：
https://zh.wikipedia.org/wiki/OpenMP
从算法的角度，PCL是指纳入了多种操作点云数据的三维处理算法，其中包括：过滤，特征估计，表面重建，模型拟合和分割，定位搜索等。每一套算法都是通过基类进行划分的，试图把贯穿整个流水线处理技术的所有常见功能整合在一起，从而保持了整个算法实现过程中的紧凑和结构清晰，提高代码的重用性、简洁可读。
在PCL中一个处理管道的基本接口程序是：
1、创建处理对象：（例如过滤、特征估计、分割等）;
2、使用setInputCloud通过输入点云数据，处理模块;
3、设置算法相关参数;调用计算（或过滤、分割等）得到输出。
为了进一步简化和开发，PCL被分成一系列较小的代码库，使其模块化，以便能够单独编译使用提高可配置性，特别适用于嵌入式处理中:
（1）libpcl filters：如采样、去除离群点、特征提取、拟合估计等数据实现过滤器；
（2）libpcl features：实现多种三维特征，如曲面法线、曲率、边界点估计、矩不变量、主曲率，PFH和FPFH特征，旋转图像、积分图像，NARF描述子，RIFT，相对标准偏差，数据强度的筛选等等；
（3）libpcl I/O：实现数据的输入和输出操作，例如点云数据文件（PCD）的读写；
（4）libpcl segmentation：实现聚类提取，如通过采样一致性方法对一系列参数模型（如平面、柱面、球面、直线等）进行模型拟合点云分割提取，提取多边形棱镜内部点云等等；
（5）libpcl surface：实现表面重建技术，如网格重建、凸包重建、移动最小二乘法平滑等；
（6）libpcl register：实现点云配准方法，如ICP等；
（7）libpclkeypoints：实现不同的关键点的提取方法，这可以用来作为预处理步骤，决定在哪儿提取特征描述符；
（8）libpcl range ：实现支持不同点云数据集生成的范围图像。
为了保证PCL中操作的正确性，上述提到的库中的方法和类包含了单位和回归测试。这套单元测试通常都是由专门的构建部门按需求编译和验证的。当某一部分测试失败时，这些特定部分的各自作者就会立即被告知。这彻底地保证了代码测试过程出现的任何变故，以及新功能或修改都不会破坏PCL中已经存在的代码。
二、PCL安装和cmake介绍
cmake简介和使用
https://www.jianshu.com/p/c042abb42133
CmakeLists的规则
http://www.pclcn.org/bbs/forum.php?mod=viewthread&tid=491
MinGW-w64安装教程——著名C/C++编译器GCC的
这里一定要记得安装MinGW64，安装mingw32会无法使用cmake -G “MinGW Makefiles” . 进行编译，我一开始安装了mingw32，浪费了好长时间才发现只有安装mingw64才可以
https://www.jianshu.com/p/d66c2f2e3537
MINGW简单使用
第一步：编写hello.cpp
第二步：编写CmakeLists.txt
第三步：在当前文件下，在命令行编译，输入cmake -G “MinGW Makefiles” . (这个点代表当前文件下)
会生成一个Makefile文件，下一步使用make命令进行生成exe文件
第四步：使用mingw32-make命令运行
现在已经编译生成了exe文件
第五步：在命令行运行这个exe文件
存在问题：现在可以熟练使用这些命令，得到exe文件，但是用cmake运行pcl的代码会报错，找到了问题所在，可是还查不到解决的办法。如下图所示。
三、PCL的读写pcd文件
pcl::PointCloud<pcl::PointXYZ> : PointCloud为点云定义，pcl::PointXYZ为点云数据类型，代表XYZ代表空间中的x、y、z坐标
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);这是声明的数据类型，用来存储我们打开的点云数据格式，是共享指针类型
PointCloud类型介绍https://blog.csdn.net/u013925378/article/details/83541247
pcl::io::savaPCDFileASCII(“文件名”，点云)； 把点云数据存取到文件名中，文件名是".pcd"格式
# pcd_write.cpp
#include<iostream>
#include<pcl/io/pcd_io.h>
#include<pcl/point_types.h>
using namespace std;
int
main() {
// 定义点云
pcl::PointCloud<pcl::PointXYZ> cloud;
// 创建点云
cloud.width = 5;
cloud.height = 3;
cloud.is_dense = false;
cloud.points.resize(cloud.width * cloud.height);
// 赋值
for (size_t i = 0; i < cloud.size(); i++) {
cloud.points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
cloud.points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
cloud.points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
}
// 把点云保存到pcd文件中
pcl::io::savePCDFileASCII("test.pcd", cloud);
// 输出
std::cerr << "Saved " << cloud.points.size() << " data points to test_pcd.pcd."
<< std::endl;
for (size_t i = 0; i < cloud.points.size(); ++i)
std::cerr << " " << cloud.points[i].x << " " << cloud.points[i].y << "
" << cloud.points[i].z << std::endl;
return(0)；
}
pcl/visualization为可视化工具
pcl::visualization::PCLVisualizer viewer创建视图
viewer.setBackgroundColor(r,g,b)设置视图背景颜色
viewer.addSphere(o,r,“Sphere”,0):o为PointXYZ数据类型，代表球心，r为球的半径，0代表第一个viewpoint
pcl::io::loadPCDFile():读取pcd文件
viewer.showCloud(cloud); 把读取后的点云数据进行可视化
#include <pcl/visualization/cloud_viewer.h>
#include <iostream>
#include <pcl/io/io.h
#include <pcl/io/pcd_io.h>
int user_data;
void
viewerOneOff(pcl::visualization::PCLVisualizer& viewer)
{
viewer.setBackgroundColor(1.0f, 0.5f, 1.0f); // 设置视图背景颜色，三个参数是rgb
pcl::PointXYZ o; // 球心
o.x = 1.0;
o.y = 0;
o.z = 0;
viewer.addSphere(o, 0.25, "Sphere", 0); // 半径0.25
std::cout << "I only run once" << std::endl;
}
/*
下面函数是作为回调函数，在主函数中注册后每帧显示都执行一次，函数具体实现在可视化对象中添加一个刷新显示字符串。
*/
void
viewerPsycho(pcl::visualization::PCLVisualizer& viewer)
{
static unsigned count = 0;
std::stringstream ss; // 字符串
ss << "Once per viewer loop: " << count++;
viewer.removeShape("text", 0);
viewer.addText(ss.str(), 200, 300, "text", 0); //更新字符串
user_data++;
}
int
main()
{
pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloud(new
pcl::PointCloud<pcl::PointXYZRGBA>);
pcl::io::loadPCDFile("pcd/maize.pcd", *cloud); // 加载点云
pcl::visualization::CloudViewer viewer("Cloud Viewer"); // 创建viewer对象
//showCloud 函数是同步的，在此处等待直到渲染显示为止
viewer.showCloud(cloud);
//该注册函数在可视化时只调用一次
viewer.runOnVisualizationThreadOnce(viewerOneOff);
//该注册函数在渲染输出是每次都调用
viewer.runOnVisualizationThread(viewerPsycho);
while (!viewer.wasStopped())
{
//在此处可以添加其他处理
user_data++;
}
return 0;
}
运行结果
1082
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
