PCL教程指南-如何使用KdTree寻找最邻近点

PCL教程指南-如何使用KdTree寻找最邻近点

• 官方原文档
• KdTree原理官方文档详解，简单概括 利用二叉树结构在高维度的应用，按各维度中相近的数据组织，用于查找邻近点
• 对原文档代码解读，并扩展其他内容

#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>

#include <iostream>
#include <vector>
#include <ctime>

int
main (int argc, char** argv)
{
//利用系统时间来初始化系统随机数的种子值，使得每次运行由于时间不同产生而产生不同的随机数序列。
  srand (time (NULL));

  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

  // 生成1000个点的点云数据
  cloud->width = 1000;
  cloud->height = 1;
  cloud->points.resize (cloud->width * cloud->height);

  for (std::size_t i = 0; i < cloud->size (); ++i)
  {
    (*cloud)[i].x = 1024.0f * rand () / (RAND_MAX + 1.0f);
    (*cloud)[i].y = 1024.0f * rand () / (RAND_MAX + 1.0f);
    (*cloud)[i].z = 1024.0f * rand () / (RAND_MAX + 1.0f);
  }
 //FLANN 快速近似近邻算法库实现的KdTree
  pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;

  kdtree.setInputCloud (cloud);
 //设置查询对象点
  pcl::PointXYZ searchPoint;

  searchPoint.x = 1024.0f * rand () / (RAND_MAX + 1.0f);
  searchPoint.y = 1024.0f * rand () / (RAND_MAX + 1.0f);
  searchPoint.z = 1024.0f * rand () / (RAND_MAX + 1.0f);

  // K邻近搜索个数

  int K = 10;
//保存邻近点索引
  std::vector<int> pointIdxNKNSearch(K);
  //保存对象点与邻近点的距离平方值
  std::vector<float> pointNKNSquaredDistance(K);

  std::cout << "K nearest neighbor search at (" << searchPoint.x 
            << " " << searchPoint.y 
            << " " << searchPoint.z
            << ") with K=" << K << std::endl;
//最邻近查找，返回邻近点数
  if ( kdtree.nearestKSearch (searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0 )
  {
    for (std::size_t i = 0; i < pointIdxNKNSearch.size (); ++i)
      std::cout << "    "  <<   (*cloud)[ pointIdxNKNSearch[i] ].x 
                << " " << (*cloud)[ pointIdxNKNSearch[i] ].y 
                << " " << (*cloud)[ pointIdxNKNSearch[i] ].z 
                << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;
  }

  // 半径内邻近查找，与K邻近区别在于 对象点规定半径内寻找而不是设置个数

  std::vector<int> pointIdxRadiusSearch;
  std::vector<float> pointRadiusSquaredDistance;

  float radius = 256.0f * rand () / (RAND_MAX + 1.0f);

  std::cout << "Neighbors within radius search at (" << searchPoint.x 
            << " " << searchPoint.y 
            << " " << searchPoint.z
            << ") with radius=" << radius << std::endl;


  if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0 )
  {
    for (std::size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)
      std::cout << "    "  <<   (*cloud)[ pointIdxRadiusSearch[i] ].x 
                << " " << (*cloud)[ pointIdxRadiusSearch[i] ].y 
                << " " << (*cloud)[ pointIdxRadiusSearch[i] ].z 
                << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
  }


  return 0;
}

• 其中pcl::KdTreeFLANN<pcl::PointXYZ>基于FLANN库实现的KDTree除了可以搜索点还能搜索特征pcl::KdTreeFLANN<FeatureT>一般用于寻找匹配点对

• 其他操作方法中使用到KDtree的时候，通常使用搜索模块封装的Kdtree类即pcl::search::KdTree< PointT, Tree >,用于在Kdtree结构中执行搜索方法，此类与FLANN实现的Kdtree类均继承了pcl::Kdtree，另外搜索模块封装的Kdtree还继承了搜索类pcl::search::Search< PointT >，这也是其与FLANN库实现的Kdtree的区别。使用方面基本一致，只是实现方式不同，FLANN目的更多是单独使用时加速。

• 关于KdTree相关内容有两个常用方法

方法	作用
void pcl::getApproximateIndices (const typename pcl::PointCloud< PointT >::ConstPtr &cloud_in, const typename pcl::PointCloud< PointT >::ConstPtr &cloud_ref, std::vector< int > &indices)	基于KdTree实现的一个直接近似搜索原点云在参考点云上的索引（#include <pcl/kdtree/io.h>）
void setPointRepresentation (const PointRepresentationConstPtr &point_representation)	此为KdTree类中方法，用于设置一个点表示指针，PointRepresentation也是一个类作用是将点结构按比例输出为向量或数组，在这里作用是转换点为K-D向量

补充：
pcl::PointRepresentation< PointT >：点表示类，常用方法有

• void vectorize (const PointT &p, OutputType &out) const点结构矢量化，例如将pointXYZ转换为vector<3,1>
• void setRescaleValues (const float *rescale_array)设置缩放比例，可以在转换时缩放
• int getNumberOfDimensions () const得到点属性维度
• 需要注意的是 这是一个抽象类，真正使用时需要自己写子类继承重写