pcl教程(五)体素可视化

#include
#include <pcl/common/common_headers.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/io/pcd_io.h> //文件输入输出
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>

using namespace std::chrono_literals;
using namespace std;
int main(int argc, char** argv) {
pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer(“HelloMyFirstVisualPCL”));
viewer->setBackgroundColor(1, 1, 1);

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
if (pcl::io::loadPCDFile<pcl::PointXYZ>("E:\\github\\gitwork\\rc1\\rabbit.pcd", *cloud) == -1)
{
	PCL_ERROR("Cloudn't read file!");
	return -1;
}
cout << "there are " << cloud->points.size() << " points before filtering." << endl;

//FILE*fp = NULL; fp = fopen("el.txt", "r");	//2DpointDatas.txt
//if (!fp)
//{
//	printf("打开文件失败!!\n");
//	int m;
//	cin >> m;
//	exit(0);
//}
float x = 0.1f, y = 0.1f, z = 0.1f;
//int i = 0;

pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> fildColor(cloud, "z"); // 按照z字段进行渲染
//viewer->addPointCloud(cloud);
viewer->addPointCloud<pcl::PointXYZ>(cloud, fildColor, "sample cloud");


//pcl::PCLPointCloud2::Ptr cloud_in2(new pcl::PCLPointCloud2());
//pcl::PCLPointCloud2::Ptr cloud_filtered(new pcl::PCLPointCloud2());
//pcl::toPCLPointCloud2(*cloud, *cloud_in2);
//pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
//sor.setInputCloud(cloud_in2);
    sor.setLeafSize(0.1f,0.1f,0.1f);
//sor.setLeafSize(1.0f, 1.0f, 1.0f);
//sor.filter(*cloud_filtered);
//cloud->clear();
//pcl::fromPCLPointCloud2(*cloud_filtered, *cloud);


int i = 0;
int icount = cloud->points.size();
icount = 3000;
while (i< (icount-10))
{
	float voxel = 0.001f;


	//fscanf(fp, "%f %f %f", &x, &y, &z);
    x = cloud->points.at(i).x;
	y = cloud->points.at(i).y;
	z = cloud->points.at(i).z;


	string cube = "cube" + to_string(i);
	float x_min = floor(x / voxel)*voxel;
	float x_max = floor(x / voxel)*voxel + voxel;
	float y_min = floor(y / voxel)*voxel;
	float y_max = floor(y / voxel)*voxel + voxel;
	float z_min = floor(z / voxel)*voxel;
	float z_max = floor(z / voxel)*voxel + voxel;
	double r = 1.0, g = 0.5, b = 0.5;
	viewer->addCube(x_min, x_max, y_min, y_max, z_min, z_max, r, g, b, cube);
	viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_REPRESENTATION, pcl::visualization::PCL_VISUALIZER_REPRESENTATION_WIREFRAME, cube);

	i++;
}
while (!viewer->wasStopped())
{
	viewer->spinOnce(100);
	std::this_thread::sleep_for(100ms);
}
return 0;

}

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
很抱歉,我目前还没有能力提供完整的代码。但是我可以给您提供一些思路和参考资料。 基于雷达点云数据进行可行驶区域点集可视化的过程可以分为以下几个步骤: 1. 读取雷达点云数据 您可以使用 PCL(Point Cloud Library)中的 PCD(Point Cloud Data)格式,或者其他一些格式(如 LAS、BIN 等)。 2. 点云预处理 点云预处理通常包括去噪(如使用 VoxelGrid 滤波器等)、体素网格、下采样等操作。这可以使得点云数据更加规则、易处理。 3. 地面分割 利用 RANSAC 或者其他一些算法,可以将点云数据中的地面部分分离出来。地面上的点云数据可以作为基础层,不参与后续的障碍物检测和可行驶区域生成。 4. 障碍物检测 在地面分割后,可以使用 PCL 中提供的各种障碍物检测算法(如 VoxelGrid 滤波器、Passthrough 滤波器、欧几里得聚类等算法)检测点云数据中的障碍物。 5. 可行驶区域生成 将地面部分和障碍物部分去除,剩下的点云数据就是可行驶区域部分。可以将这些点云数据可视化,使用 PCL 中的可视化工具(如 PCLVisualizer)进行可视化。 除了 PCL 之外,您还可以参考以下文章和代码: - https://github.com/xuefeng-zhu/kitti_visualization:该项目实现了从 KITTI 数据集中读取雷达点云数据,并将可行驶区域点集可视化。 - https://www.cnblogs.com/-flq/p/12432531.html:这篇文章介绍了如何从 Velodyne HDL-64E 雷达输出的 pcap 文件中读取雷达点云数据,并进行地面分割和障碍物检测。 - https://github.com/Slamtec/rplidar_sdk:这是 RPLIDAR 2D 激光雷达的 SDK,其中包括了如何读取雷达数据并进行预处理、地面分割和障碍物检测的示例代码。
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