第二周PCL学习（二）

最新推荐文章于 2024-03-18 20:20:18 发布

longer88888

最新推荐文章于 2024-03-18 20:20:18 发布

阅读量1.3k

点赞数

分类专栏： PCL

本文链接：https://blog.csdn.net/longer88888/article/details/104515370

版权

一、上周问题解决

1.1 cmake使用中的问题解决。

上一周中，使用MinGW对cpp文件进行了编译输出，但是无法更好的编译pcl文
件，上周使用的是pcl1.8.1和cmake3.17.0-rc1版本进行cmake编译，原本以
为是pcl1.8.1版本中缺少了FindBoost.cmake、FindFLANN.cmake等文件，
所以我将其换成了pcl1.9.0版本，这下文件是有了，可是还是编译错误，最后
发现是cmake版本的问题，我猜难道是Release Candidate (3.17.0-rc1)，
候选的问题吗，当然只是猜想，所以我将其先行卸载，改成了3.15.6，没想
到改完之后果然可以运行了。

1.2 分享一下在检查错误途中遇到的好的解决方法

VTK.config设置出现问题
https://www.itread01.com/content/1548519671.html

Cmake调式pcl中的错误
http://unanancyowen.com/en/pcl181/

PCL调试中的各种错误
https://blog.csdn.net/weixin_38348752/article/details/88531034

PCL的安装和配置
https://blog.csdn.net/weixin_41991128/article/details/83864713

PCL可视化时遇到问题之 Error:no override found for ‘vtkPolyDataMapper’
https://blog.csdn.net/zzh_AI/article/details/88861221

1.3 pcl1.8.1中可能出现的问题

错误：
在这里插入图片描述解决方法
~~~ 可以将124-125行的代码改成这个样子~~~

1.4 cmake调试pcl程序步骤

步骤1，编写cpp文件和CmakeLists文件，cpp文件自己编写，cmakelists的编写方法在上一周已经分享过连接
步骤二、在编写的项目文件下，新建一个build文件，用来保存生成的cmake项目的文件
步骤三、打开cmake-gui
步骤四、在cmake-gui中输入，源文件目录（就是同时包含cpp文件和CmakeList的文件目录）和输出目录**（新建的build文件）**。
步骤五：点击configure，会弹出配置框，在其同选择自己的VS版本，和x64，现在电脑也都是64位系统的。
步骤六，配置完成后，点击"Finish"，然后先点击“Configure”，当配置完成后，再点击“Generate”
现在查看一下“build”文件下有哪些文件：

步骤七：点击“Open Project”，编译运行octree_search，会生成exe文件
步骤八、在build文件中找到debug文件夹下的exe文件，在命令行中也可以运行。

二、kdtree

2.1 kdtree的原理介绍

	kdtree的原理和BST（二分查找树）相同，BST则是处理一维数据的搜索
问题，而kdtree则是可以更好的处理多维数据的搜索分类问题。原本准备自
己写一下kdtree的原理和介绍，突然看到下面这几篇别人写的文章，觉得人
家已经写的太好了。尤其是链接的第三篇，讲的十分清楚。

kdtree原理和基本介绍
转载 https://blog.csdn.net/richard9006/article/details/90058465
kdtree的特征选择（使用方差，因为方差大的数据分散的比较开，利于划分），使用python实现
转载 https://zhuanlan.zhihu.com/p/45346117

kdtree中的KNN
转载【【数学】kd 树算法之详细篇】https://zhuanlan.zhihu.com/p/23966698

2.2 pcl中kdtree介绍

pcl::KdTree<PointT> : 类Kdtree是kdtree的数据结构实现，并且是带有K近邻搜索实现的类KdTreeFLANN的基类。这里搜索要使用KdTreeFLANN（这个里面才会有k近邻），而不是kdtree中

1. 类KdTree关键成员函数：

KdTree (bool sorted= true) ：空的构造函数
virtual void setlnputCloud (const PointCloudConstPtr &.cloud, canst IndicesConstPtr &. indices= IndicesConstPtr()) ：一个虚函数，设置输入点云，参数cloud为输入点云的共享指针引用，indices为在kd-tree中使用的点对应的索引，如果不设置，则默认使用整个点云填充kd-tree。
virtual ~KdTree () 析构函数。
virtual int nearestKSearch (canst PointT &.p_q, int k, std::vector< int>&. k_indices, std: :vector&.k_sqr_distances) const =0：纯虚函数，具体实现在其子类KdTreeFLANN中，其用来进行K 邻域搜索，参数p_q为需要查询的点，K为K 邻域个数，k_indices为搜索完的邻域点对应的索引， k_sqr_distances为搜索完的每个邻域点与查询点之间的欧氏距离。
virtual int nearestKSearch (canst PointCloud &.cloud, int index, int k, std:: vector&.k_indices, std: :vector< float >&.k_sqr_distances) const=0 ：纯虚函数，具体实现在其子类KdTreeFLANN中，参数cloud为需要查询的点集合，index为点集合中需要查询点的索引，其他参数同上。
virtual int nearestKSearch (int index, int k, std: :vector< int >&.k_indices, std: :vector&.k_sqr_distances) const =0: 纯虚函数，具体实现在其子类KdTreeFLANN中，其用来进行K 邻域搜索，参数index为点云中需要查询点的索引，其他参数同上。
virtual int radiusSearch (const PointT &.p_q, double radius, std: :vector< int >&.k_indices,std: :vector< float >&.k_sqr_distances, unsigned int max_nn = O) const = 0 : 纯虚函数，具体实现在其子类KdTreeFLANN中，其用来进行r半径内的邻域搜索，参数p_q为需要查询的点，radius为需要查询的半径大小，k_indices为搜索完的邻域点对应的索引， k_sqr_distances为搜索完的每个邻域点与查询点之间的欧氏距离，max_nn为设置返回的邻域个数上限，如果为0或者大千返回的邻域个数，其返回