PCL——(9)从深度图像中提取边界

文章目录


从深度图像中提取边界(从前景跨越到背景的位置定义为边界):

  • 物体边界:这是物体的最外层和阴影边界的可见点集.
  • 阴影边界:毗邻于遮挡的背景上的点集(遮挡和背景的交界)
  • Veil点集,在被遮挡物边界和阴影边界之间的内插点
    它们是有激光雷达获取的3D距离数据中的典型数据类型,这三类数据及深度图像的边界如图:
    在这里插入图片描述
#include <iostream>

#include <boost/thread/thread.hpp>
#include <pcl/range_image/range_image.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/range_image_visualizer.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/range_image_border_extractor.h>
#include <pcl/console/parse.h>

typedef pcl::PointXYZ PointType;

// --------------------
// -----Parameters-----
// --------------------
float angular_resolution = 0.5f;
pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;
bool setUnseenToMaxRange = false;

// --------------
// -----Help-----
// --------------
void 
printUsage (const char* progName)
{
  std::cout << "\n\nUsage: "<<progName<<" [options] <scene.pcd>\n\n"
            << "Options:\n"
            << "-------------------------------------------\n"
            << "-r <float>   angular resolution in degrees (default "<<angular_resolution<<")\n"
            << "-c <int>     coordinate frame (default "<< (int)coordinate_frame<<")\n"
            << "-m           Treat all unseen points to max range\n"
            << "-h           this help\n"
            << "\n\n";
}

// --------------
// -----Main-----
// --------------
int 
main (int argc, char** argv)
{
  // --------------------------------------
  // -----Parse Command Line Arguments-----
  // --------------------------------------
  if (pcl::console::find_argument (argc, argv, "-h") >= 0)
  {
    printUsage (argv[0]);
    return 0;
  }
  if (pcl::console::find_argument (argc, argv, "-m") >= 0)
  {
    setUnseenToMaxRange = true;
    cout << "Setting unseen values in range image to maximum range readings.\n";
  }
  int tmp_coordinate_frame;
  if (pcl::console::parse (argc, argv, "-c", tmp_coordinate_frame) >= 0)
  {
    coordinate_frame = pcl::RangeImage::CoordinateFrame (tmp_coordinate_frame);
    cout << "Using coordinate frame "<< (int)coordinate_frame<<".\n";
  }
  if (pcl::console::parse (argc, argv, "-r", angular_resolution) >= 0)
    cout << "Setting angular resolution to "<<angular_resolution<<"deg.\n";
  angular_resolution = pcl::deg2rad (angular_resolution);
  
  // ------------------------------------------------------------------
  // -----Read pcd file or create example point cloud if not given-----
  // ------------------------------------------------------------------
  pcl::PointCloud<PointType>::Ptr point_cloud_ptr (new pcl::PointCloud<PointType>);
  pcl::PointCloud<PointType>& point_cloud = *point_cloud_ptr;
  pcl::PointCloud<pcl::PointWithViewpoint> far_ranges;
  Eigen::Affine3f scene_sensor_pose (Eigen::Affine3f::Identity ());  //传感器的位置
  std::vector<int> pcd_filename_indices = pcl::console::parse_file_extension_argument (argc, argv, "pcd");
  if (!pcd_filename_indices.empty ())
  {
    std::string filename = argv[pcd_filename_indices[0]];
    if (pcl::io::loadPCDFile (filename, point_cloud) == -1)   //打开文件
    {
      cout << "Was not able to open file \""<<filename<<"\".\n";
      printUsage (argv[0]);
      return 0;
    }
    scene_sensor_pose = Eigen::Affine3f (Eigen::Translation3f (point_cloud.sensor_origin_[0],
                                                               point_cloud.sensor_origin_[1],
                                                               point_cloud.sensor_origin_[2])) *
                        Eigen::Affine3f (point_cloud.sensor_orientation_);  //仿射变换矩阵
  
    std::string far_ranges_filename = pcl::getFilenameWithoutExtension (filename)+"_far_ranges.pcd";
    if (pcl::io::loadPCDFile(far_ranges_filename.c_str(), far_ranges) == -1)
      std::cout << "Far ranges file \""<<far_ranges_filename<<"\" does not exists.\n";
  }
  else
  {
    cout << "\nNo *.pcd file given => Genarating example point cloud.\n\n";
    for (float x=-0.5f; x<=0.5f; x+=0.01f)      //填充一个矩形的点云
    {
      for (float y=-0.5f; y<=0.5f; y+=0.01f)
      {
        PointType point;  point.x = x;  point.y = y;  point.z = 2.0f - y;
        point_cloud.points.push_back (point);   
      }
    }
    point_cloud.width = (int) point_cloud.points.size ();  point_cloud.height = 1;
  }
  
  // -----------------------------------------------
  // -----Create RangeImage from the PointCloud-----
  // -----------------------------------------------
  float noise_level = 0.0;      //各种参数的设置
  float min_range = 0.0f;
  int border_size = 1;
  boost::shared_ptr<pcl::RangeImage> range_image_ptr (new pcl::RangeImage);
  pcl::RangeImage& range_image = *range_image_ptr;   
  range_image.createFromPointCloud (point_cloud, angular_resolution, pcl::deg2rad (360.0f), pcl::deg2rad (180.0f),
                                   scene_sensor_pose, coordinate_frame, noise_level, min_range, border_size);
  range_image.integrateFarRanges (far_ranges);
  if (setUnseenToMaxRange)
    range_image.setUnseenToMaxRange ();

  // --------------------------------------------
  // -----Open 3D viewer and add point cloud-----
  // --------------------------------------------
  pcl::visualization::PCLVisualizer viewer ("3D Viewer");   //创建视口
  viewer.setBackgroundColor (1, 1, 1);                      //设置背景颜色
  viewer.addCoordinateSystem (1.0f);              //设置坐标系
  pcl::visualization::PointCloudColorHandlerCustom<PointType> point_cloud_color_handler (point_cloud_ptr, 0, 0, 0);
  viewer.addPointCloud (point_cloud_ptr, point_cloud_color_handler, "original point cloud");   //添加点云
  //PointCloudColorHandlerCustom<pcl::PointWithRange> range_image_color_handler (range_image_ptr, 150, 150, 150);
  //viewer.addPointCloud (range_image_ptr, range_image_color_handler, "range image");
  //viewer.setPointCloudRenderingProperties (PCL_VISUALIZER_POINT_SIZE, 2, "range image");
  
  // -------------------------
  // -----Extract borders提取边界的部分-----
  // -------------------------
  pcl::RangeImageBorderExtractor border_extractor (&range_image);
  pcl::PointCloud<pcl::BorderDescription> border_descriptions;
  border_extractor.compute (border_descriptions);     //提取边界计算描述子
  
  // -------------------------------------------------------
  // -----Show points in 3D viewer在3D 视口中显示点云-----
  // ----------------------------------------------------
  pcl::PointCloud<pcl::PointWithRange>::Ptr border_points_ptr(new pcl::PointCloud<pcl::PointWithRange>),  //物体边界
                                            veil_points_ptr(new pcl::PointCloud<pcl::PointWithRange>),     //veil边界
                                            shadow_points_ptr(new pcl::PointCloud<pcl::PointWithRange>);   //阴影边界
  pcl::PointCloud<pcl::PointWithRange>& border_points = *border_points_ptr,
                                      & veil_points = * veil_points_ptr,
                                      & shadow_points = *shadow_points_ptr;

  for (int y=0; y< (int)range_image.height; ++y)
  {
    for (int x=0; x< (int)range_image.width; ++x)
    {
      if (border_descriptions.points[y*range_image.width + x].traits[pcl::BORDER_TRAIT__OBSTACLE_BORDER])
        border_points.points.push_back (range_image.points[y*range_image.width + x]);

      if (border_descriptions.points[y*range_image.width + x].traits[pcl::BORDER_TRAIT__VEIL_POINT])
        veil_points.points.push_back (range_image.points[y*range_image.width + x]);

      if (border_descriptions.points[y*range_image.width + x].traits[pcl::BORDER_TRAIT__SHADOW_BORDER])
        shadow_points.points.push_back (range_image.points[y*range_image.width + x]);
    }
  }
  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> border_points_color_handler (border_points_ptr, 0, 255, 0);
  viewer.addPointCloud<pcl::PointWithRange> (border_points_ptr, border_points_color_handler, "border points");
  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "border points");

  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> veil_points_color_handler (veil_points_ptr, 255, 0, 0);
  viewer.addPointCloud<pcl::PointWithRange> (veil_points_ptr, veil_points_color_handler, "veil points");
  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "veil points");

  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> shadow_points_color_handler (shadow_points_ptr, 0, 255, 255);
  viewer.addPointCloud<pcl::PointWithRange> (shadow_points_ptr, shadow_points_color_handler, "shadow points");
  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "shadow points");
  
  //-------------------------------------
  // -----Show points on range image-----
  // ------------------------------------
  pcl::visualization::RangeImageVisualizer* range_image_borders_widget = NULL;
  range_image_borders_widget =
    pcl::visualization::RangeImageVisualizer::getRangeImageBordersWidget (range_image, -std::numeric_limits<float>::infinity (), std::numeric_limits<float>::infinity (), false,
                                                                          border_descriptions, "Range image with borders");
  // -------------------------------------
  
  
  //--------------------
  // -----Main loop-----
  //--------------------
  while (!viewer.wasStopped ())
  {
    range_image_borders_widget->spinOnce ();
    viewer.spinOnce ();
    pcl_sleep(0.01);
  }
}
  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: PCL(Point Cloud Library)是一个用于点云数据处理的开源库,它提供了大量的算法和工具来处理点云数据。而PCL alpha shapes方法是PCL的一种算法,用于提取平面点云的边界特征。 平面点云是在三维空间表示表面的点的集合。而平面点云的边界特征是指该点云的边界形状和结构。PCL alpha shapes方法基于alpha形状,能够自动从点云提取出平面点云的边界特征。 alpha形状是指包围点云的一系列形状,其每个形状都由一组alpha值确定。alpha值控制了形状的光滑程度,较大的alpha值会产生更平滑的形状,而较小的alpha值会产生更多边的形状。PCL alpha shapes方法会通过调整alpha值来生成一系列形状,并计算每个形状的体积。最终选择体积最大的形状作为平面点云的边界特征。 使用PCL alpha shapes方法进行平面点云边界特征提取的步骤如下: 1. 从点云数据提取出平面点云,例如通过使用平面拟合算法提取平面模型。 2. 根据提取到的平面点云,构建点云对象。 3. 初始化PCL alpha shapes方法的参数,例如设置alpha值的范围和步长。 4. 调用PCL alpha shapes方法,通过遍历不同的alpha值进行形状计算和体积计算。 5. 选择体积最大的形状作为平面点云的边界特征。 6. 可以根据需要进一步处理和分析边界特征,例如提取边界点边界曲线。 总的来说,PCL alpha shapes方法可以有效地提取平面点云的边界特征,为后续的点云处理和分析提供基础。它可以应用于许多领域,例如三维建模、地形分析和机器人导航等。 ### 回答2: pcl alpha shapes是一种用于平面点云边界特征提取的方法。它基于alpha形状的概念,将点云分为内部和外部两部分。alpha形状是在点云定义的一个凸体,具有不同的形状和大小。 首先,我们需要通过点云数据构建有向无环图(DAG)。这个DAG可以表示点云的拓扑结构,每个节点代表一个点,节点之间的边代表点与点之间的邻近关系。然后,我们需要计算alpha值,它是一个介于0和无穷大之间的阈值。alpha值越小,形状越平滑;alpha值越大,形状越复杂。 然后,我们需要根据alpha值对DAG进行拓扑排序,并从最小的alpha开始处理。对于每个alpha,我们找到对应的alpha形状。我们通过从内部到外部构建alpha形状来获得点云的边界特征。每当遇到重叠的alpha形状时,我们计算边界alpha形状,并将其添加到结果。 在计算alpha形状时,我们使用增量算法来优化计算效率。通过添加和移除点来逐步构建alpha形状,直到满足alpha值的约束条件。对于每个点,我们计算其点球半径,并与alpha值进行比较。如果点球半径大于alpha值,则点将被舍弃,否则将被添加到alpha形状。 通过这种方式,pcl alpha shapes可以提取平面点云的边界特征。它能够识别点云的边界结构,并返回一个表示点云边界的几何形状。这对于物体识别、三维建模和场景分析等应用非常有用。 ### 回答3: PCL Alpha Shapes 是一种用于平面点云边界特征提取的算法。它的主要目标是从点云数据提取曲面边界信息,通过计算点云点的Alpha形状,来获得边界特征。 具体来说,Alpha形状是一个可以描述几何体边界的参数。Alpha形状的计算是基于一系列重心相邻三角形,其每个三角形的边长都小于或等于Alpha值。当Alpha值很小时,Alpha形状就会更接近于一个紧凑的表面形状,而当Alpha值增大时,形状则会变得更加平滑。 使用PCL Alpha Shapes算法进行平面点云边界特征提取的步骤如下: 1. 通过某种方法从点云移除噪声和离群点,以减小Alpha形状的计算误差。 2. 利用PCL库的函数计算每个点的Alpha形状。 3. 根据Alpha形状的计算结果,可以获得不同形状的边界特征,例如:圆形、椭圆形等。 4. 可进一步根据需求,设置Alpha值的范围来控制边界形状的复杂度。 5. 最后,可以通过可视化工具将提取到的边界特征呈现出来,以便直观地观察和分析结果。 总而言之,通过使用PCL Alpha Shapes算法,可以快速而准确地提取平面点云边界特征,帮助我们更好地理解和分析点云数据的几何结构。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值