1、介绍
曲面重建算法多种多样,例如泊松曲面重建,基于Delaunay生长法的三维点云曲面重,贪婪投影三角化算法,基于B样条曲线的曲面重建;在此我学习一下无序点云三角化算法,原理为将摄像机扫描的三维点云进行曲面重建,重建后曲面由三角形构成。
2、原理
在PCL库中,使用算法依托于有序点云三角化,将有序点云投影到局部二维坐标平面系内,链接个顶点的关系,在坐标平面内三角化,最后根据拓扑关系建立三角形曲面网格;在平面区域三角化的过程中用到了基于 Delaunay 的 空间区域增长算法,该方法通过选取一个样本三角片作为初始曲面,不断扩张曲面边界,最后形成一张完整的三角网格曲面。最后根据投影点云的连接关系确定各原始三维点间的拓扑连接,所得三角格网即为重建得到的曲面模型。
使用方法:将有向点云投影到某一局部二维坐标平面内,再在坐标平面内进行平面内的三角化,再根据平面内三位点的拓扑连接关系获得一个三角网格曲面模型。
算法优点:可以处理多个扫描出来的散乱点云;算法缺点:局限性,只能处理表面光滑且点云密度分布均匀的情况。
3、步骤
步骤一:如果数据过大,可使用体素滤波算法对数据下采样
步骤二:将无序点云转化为有序点云,在PCL库中,数据形式可建立为kdtree或者八叉树,是的点云数据有一定的结构。
步骤三:借助PCL使用贪婪投影三角化方法生成曲面三角形集合,其中每一个三角形包括三个点和法向量,至此,曲面建设完成。
4、展示
5、代码:
//体素滤波 下采样
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(2.0f,2.0f, 2.0f);
sor.filter(*cloud_new);
//法线估计对象
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;
//存储估计的法线
pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
//定义kd树指针
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(cloud_new);
n.setInputCloud(cloud_new);
n.setSearchMethod(tree);
n.setKSearch(10);
//估计法线存储到其中
n.compute(*normals);//Concatenate the XYZ and normal fields*
pcl::PointCloud<pcl::PointNormal>::Ptr cloud_width_normals(new pcl::PointCloud<pcl::PointNormal>);
//链接字段
pcl::concatenateFields(*cloud_new, *normals, *cloud_width_normals);
//定义搜索树对象
pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
//点云构建搜索树
tree2->setInputCloud(cloud_width_normals);
//定义三角化对象
pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;
//存储最终三角化的网络模型
pcl::PolygonMesh triangles;//设置连接点之间的最大距离,(即是三角形最大边长)
gp3.setSearchRadius(5.0f);
//设置各种参数值
gp3.setMu(3.5f);
gp3.setMaximumNearestNeighbors(100);
gp3.setMaximumSurfaceAngle(M_PI_4);
gp3.setMinimumAngle(M_PI / 18);
gp3.setMaximumAngle(2 * M_PI / 3);
gp3.setNormalConsistency(false);
//设置搜索方法和输入点云
gp3.setInputCloud(cloud_width_normals);
gp3.setSearchMethod(tree2);
//执行重构,结果保存在triangles中
gp3.reconstruct(triangles);
std::string sav = "saved mesh in:";
sav += output_dir;
pcl::console::print_info(sav.c_str());
std::cout << std::endl;
pcl::PointCloud<pcl::PointNormal> tempCloud;
pcl::fromPCLPointCloud2(triangles.cloud, tempCloud);
std::vector<Point3d> point;
std::vector<Point3d> normal;
for (int i = 0; i < tempCloud.points.size(); i++) {
Point3d temp;
temp.x = tempCloud.points[i].x; temp.y = tempCloud.points[i].y; temp.z = tempCloud.points[i].z;
point.push_back(temp);
temp.x = tempCloud.points[i].normal_x; temp.y = tempCloud.points[i].normal_y; temp.z = tempCloud.points[i].normal_z;
normal.push_back(temp);
}
std::vector<vector<int>> triangle;
for (int i = 0; i < triangles.polygons.size(); i++) {
vector<int> temp;
for (int j = 0; j < triangles.polygons[i].vertices.size(); j++) {
temp.push_back(triangles.polygons[i].vertices[j]);
}triangle.push_back(temp);
}