Kinect三维重建2222——地面去除与法向量计算

最新推荐文章于 2023-05-27 16:38:29 发布
最新推荐文章于 2023-05-27 16:38:29 发布
阅读量437 收藏 2
点赞数 1
文章标签： 深度学习
原文链接：https://blog.csdn.net/u010848251/article/details/71023259
版权

————————————————
版权声明：本文为CSDN博主「悄然的我-粤Y」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u010848251/article/details/71023259

———————————————————————————————————————————

从上一节中我们得到了8个PCD文件，其中第一个文件是地面点云，第二个文件是地面+盒子的点云，后面的文件是6个不同角度的地面+盒子+奶牛的点云。

这一节我们将生成6个不同角度的去除了地面的点云，并计算其法向量，同时获取一些信息，用作下一节来处理。

首先，我们有8个PCD文件：

const int numberOfViews = 8;//点云数量

然后加载这8个文件：

std::vector<PCD, Eigen::aligned_allocator<PCD> > data; //点云数据
std::string prefix("cow");
std::string extension(".pcd"); //声明并初始化string类型变量extension，表示文件后缀名
// 通过遍历文件名，读取pcd文件
for (int i = 0; i < numberOfViews; i++) //遍历所有的文件名
{
	std::string fname = prefix + num2str(i) + extension;
	// 读取点云，并保存到models
	PCD m;
	m.f_name = fname;
	if (pcl::io::loadPCDFile(fname, *m.cloud) == -1) //* 读入PCD格式的文件，如果文件不存在，返回-1
	{
		cout << "Couldn't read file " + fname + "." << endl; //文件不存在时，返回错误，终止程序。
		return (-1);
	}
	data.push_back(m);
}

下一步，先对第一个PCD文件（即地面点云）进行离群点过滤：

for (int i = 0; i <= 1; ++i){
	pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
	outrem.setInputCloud(data[i].cloud);
	outrem.setRadiusSearch(0.01);
	outrem.setMinNeighborsInRadius(10);
	outrem.filter(*data[i].cloud);
}

上面这一步要一定要执行。因为Kinect得到的点云噪声很大，看起来只有地面点云，实际上某些地方（如地面上方）会出现噪点。搜索半径设置为0.01米，最小临域点云个数设置为10个点云。
下一步，单独分别对第一个和第二个文件提取其最大Y值yMax1和yMax2，并以文本的方式进行保存。原因见第一节，这里不再叙述：

float yMax1 = -1000;
for (int i = 0; i < data[0].cloud->size(); ++i)
{
	if (data[0].cloud->points[i].y>yMax1)
		yMax1 = data[0].cloud->points[i].y;
}
cout << "yMax1:" << yMax1 << endl;
 
float yMax2 = -1000;
for (int i = 0; i < data[1].cloud->size(); ++i)
{
	if (data[1].cloud->points[i].y>yMax2)
		yMax2 = data[1].cloud->points[i].y;
}
cout << "yMax2:" << yMax2 << endl;
 
ofstream out("yMax.txt");
if (out.is_open())
{
	out << "yMax1:" << yMax1 << endl;
	out << "yMax2:" << yMax2 << endl;
	out.close();
}

提取出来的yMax1可以用来对剩下的6个文件进行地面点云的去除。yMax2在下一节中有用，先以文本的形式记录下来。
接下来就是对剩下的6个文件进行地面去除、离群点过滤、法向量计算、保存文件的操作。代码比较简单，就不贴出来了，请直接看完整代码。

下面只给出第一个角度的PCD文件进行法向量计算的图：

 最终我们输出得到6个带有法向量的PCD文件（即XYZ+Normal）：

 其中yMax.txt保存了yMax1和yMax2的值，下一节我们将要使用yMax2的值。

下面是完整代码：

#define vtkRenderingCore_AUTOINIT 4(vtkInteractionStyle,vtkRenderingFreeType,vtkRenderingFreeType,vtkRenderingOpenGL) 
#define vtkRenderingVolume_AUTOINIT 1(vtkRenderingVolumeOpenGL)
#include <string>
#include <kinect.h>
#include <iostream>
#include <fstream>  
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <pcl/io/pcd_io.h> //PCL的PCD格式文件的输入输出头文件
#include <pcl/io/ply_io.h>
#include <pcl/point_types.h> //PCL对各种格式的点的支持头文件
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/radius_outlier_removal.h>  
#include <pcl/filters/conditional_removal.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/registration/icp.h> //ICP(iterative closest point)配准
#include <pcl/registration/correspondence_rejection_surface_normal.h>
#include <pcl/console/parse.h>  //pcl控制台解析
#include <pcl/ModelCoefficients.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/filters/extract_indices.h>  
//kd树
#include <pcl/kdtree/kdtree_flann.h>
//特征提取
#include <pcl/features/normal_3d_omp.h>
#include <pcl/features/normal_3d.h>
//重构
#include <boost/thread/thread.hpp>
#include <Eigen/Dense>
 
using namespace std;
 
string num2str(int i)
{
	stringstream ss;
	ss << i;
	return ss.str();
}
 
//定义结构体，用于处理点云
struct PCD
{
	std::string f_name; //文件名
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud; //点云指针
	pcl::PointCloud<pcl::PointNormal>::Ptr cloudWithNormal;//存储估计的法线的指针
	//构造函数
	PCD() : cloud(new pcl::PointCloud<pcl::PointXYZ>), cloudWithNormal(new pcl::PointCloud<pcl::PointNormal>){}; //初始化
};
 
int main()
{
	const int numberOfViews = 8;//点云数量
	std::vector<PCD, Eigen::aligned_allocator<PCD> > data; //点云数据
	std::string prefix("cow");
	std::string extension(".pcd"); //声明并初始化string类型变量extension，表示文件后缀名
	// 通过遍历文件名，读取pcd文件
	for (int i = 0; i < numberOfViews; i++) //遍历所有的文件名
	{
		std::string fname = prefix + num2str(i) + extension;
		// 读取点云，并保存到models
		PCD m;
		m.f_name = fname;
		if (pcl::io::loadPCDFile(fname, *m.cloud) == -1) //* 读入PCD格式的文件，如果文件不存在，返回-1
		{
			cout << "Couldn't read file " + fname + "." << endl; //文件不存在时，返回错误，终止程序。
			return (-1);
		}
		data.push_back(m);
	}
	//去除离群点
	for (int i = 0; i <= 1; ++i){
		pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
		outrem.setInputCloud(data[i].cloud);
		outrem.setRadiusSearch(0.01);
		outrem.setMinNeighborsInRadius(10);
		outrem.filter(*data[i].cloud);
	}
	
	float yMax1 = -1000;
	for (int i = 0; i < data[0].cloud->size(); ++i)
	{
		if (data[0].cloud->points[i].y>yMax1)
			yMax1 = data[0].cloud->points[i].y;
	}
	cout << "yMax1:" << yMax1 << endl;
 
	float yMax2 = -1000;
	for (int i = 0; i < data[1].cloud->size(); ++i)
	{
		if (data[1].cloud->points[i].y>yMax2)
			yMax2 = data[1].cloud->points[i].y;
	}
	cout << "yMax2:" << yMax2 << endl;
 
	ofstream out("yMax.txt");
	if (out.is_open())
	{
		out << "yMax1:" << yMax1 << endl;
		out << "yMax2:" << yMax2 << endl;
		out.close();
	}
	
	for (int i = 2; i < numberOfViews; ++i)
	{
		//-----------------------去除地面点云--------------------------
		pcl::ConditionAnd<pcl::PointXYZ>::Ptr range_cond(new pcl::ConditionAnd<pcl::PointXYZ>());
		/*range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new	pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::GT, -0.4)));
		range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new	pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::LT, 0.4)));
		range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new	pcl::FieldComparison<pcl::PointXYZ>("z", pcl::ComparisonOps::LT, 1.3)));*/
		range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new	pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::GT, yMax1)));
		pcl::ConditionalRemoval<pcl::PointXYZ> condrem(range_cond, false);
		condrem.setInputCloud(data[i].cloud);
		condrem.setKeepOrganized(false);
		condrem.filter(*data[i].cloud);
		//--------------------------------------------------------------
 
		//-----------------------去除离群点------------------------
		pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
		outrem.setInputCloud(data[i].cloud);
		outrem.setRadiusSearch(0.01);
		outrem.setMinNeighborsInRadius(10);
		outrem.filter(*data[i].cloud);
 
		//pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
		//sor.setInputCloud(data[i].cloud);
		//sor.setMeanK(10);
		//sor.setStddevMulThresh(1.0);
		//sor.filter(*data[i].cloud);
		//--------------------------------------------------------------
 
		// -------------------计算法向量----------------------
		//pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>); //法向量点云对象指针
		pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;//法线估计对象
		pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);//存储估计的法线的指针
		pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
		tree->setInputCloud(data[i].cloud);
		n.setInputCloud(data[i].cloud);
		n.setSearchMethod(tree);
		n.setRadiusSearch(0.03);
		//n.setKSearch(25);
		n.compute(*normals); //计算法线，结果存储在normals中
		pcl::concatenateFields(*data[i].cloud, *normals, *data[i].cloudWithNormal);//将点云和法线放到一起
		// ---------------------------------------------------
 
		string fileName = "cow" + num2str(i - 2) + "_withNormal.pcd";
		pcl::io::savePCDFile(fileName, *data[i].cloudWithNormal, true);
		cout << fileName << " has been saved." << endl;
 
		// 显示结果图
		boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("3D viewer"));
		int v1;
		viewer->createViewPort(0.0, 0.0, 1.0, 1.0, v1);
		viewer->setBackgroundColor(0, 0, 0);
		viewer->initCameraParameters();
		pcl::visualization::PointCloudColorHandlerCustom<pcl::PointNormal> cloud_color1(data[i].cloudWithNormal, 255, 255, 255);
		viewer->addPointCloud(data[i].cloudWithNormal, cloud_color1, "cloud_color1", v1);
		viewer->addPointCloudNormals<pcl::PointNormal>(data[i].cloudWithNormal, 50, 0.05, "source_normals", v1); //第2个参数表示多少个点显示一次向量，第3个参数表示向量长度，单位m
		viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0, 1, 0, "source_normals", v1);
		while (!viewer->wasStopped()){
			viewer->spinOnce();
		}
	}
	std::system("pause");
	return 0;
}

————————————————
版权声明：本文为CSDN博主「悄然的我-粤Y」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u010848251/article/details/71023259

一条咸鱼i
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Kinect实现简单的三维重建
aipiano
03-29 2万+
Kinect想必大家已经很熟悉了，最近基于Kinect的创意应用更是呈井喷状态啊！看到很多国外大牛用Kinect做三维重建，其中最著名的要数来自微软研究院的Kinect Fusion了，可以看看下面这个视频http://v.ku6.com/show/7q2Sa__pa4-rWcAVtB3Xuw...html，或者http://v.youku.com/v_show/id_XNDcxOTg3MzUy.
基于Kinect的三维重建
04-03
基于Kinect的三维重建，内容包括Kinect的彩色相机和深度相机的设置，kinect深度图和彩图对准的源代码
Kinect的三维重建
热门推荐
潜龙勿用的专栏
02-24 1万+
有关Kinect应用开发正日新月异，稍有懈怠就会被远远甩在身后。不过，Kinect目前带给我们的仍只是一个充满无限可能的远景，正如App store能吸引年仅11岁的开发者一样，Kinect未来将对“全民开发者”产生重要推动作用。另一方面，一些基于Kinect的应用研究仍颇复杂，主要是因为一些关键环节的滞后而导致的。2011年的siggraph talks上，KinectFusion首次展示了实时
Kinect 三维重建
学习笔记
03-27 1908
Kinect实现简单的三维重建：http://blog.csdn.net/aichipmunk/article/details/8721290
基于kinect的三维重建
03-17
基于kinect的三维重建、我晕死还要写这么多啊、没有话讲啊、就是基于kinect的三维重建算法、难道我要把它都写出来、
基于Open3D和Azure Kinect DK实现的三维重建C++源码+项目说明.zip
08-21
基于Open3D和Azure Kinect DK实现的三维重建C++源码+项目说明.zip 基于Open3D和Azure Kinect DK实现的三维重建C++源码+项目说明.zip 基于Open3D和Azure Kinect DK实现的三维重建C++源码+项目说明.zip 此项目基于 ...
KinectFusion 和 ElasticFusion 三维重建方法
04-27
KinectFusion 和 ElasticFusion 三维重建方法 详细介绍如何用kinectfusion进行大、小空间3D重建的原理，过程算法以及结果评价
Kinect与OpenCV实现简单的三维重建
04-01
Kinect和OpenCV实现简单的点云三角化，用最小二乘法计算法线，并实时显示获得的模型。建立在OpenFrameworks框架上，编译需要安装OpenFrameworks并放到myApps目录里，还需要Kinect SDK 1.7和OpenCV 2.4.3。
基于Open3D和Azure Kinect DK实现的三维重建C++源码（高分项目）.zip
最新发布
04-22
基于Open3D和Azure Kinect DK实现的三维重建C++源码（高分项目）.zip本资源中的源码都是经过本地编译过可运行的，评审分达到95分以上。资源项目的难度比较适中，内容都是经过助教老师审定过的能够满足学习、使用需求...
基于python的双目立体视觉及三维重建源码+项目说明+代码注释.zip
07-24
双目视觉在许多领域得到了应用，例如城市三维重建、3D模型构建(如kinect fusion)、视角合成、3D跟踪、机器人导航(自动驾驶)、人类运动捕捉(Microsoft Kinect)等等。双目测距也属于双目立体视觉的一个应用领域，双目...
一，从零开始复现实时三维重建KInectFusion
LiQuKanNaShiYu的博客
05-29 2541
一，从零开始复现实时三维重建KInectFusion实时三维重建算法准备环境准备数据集合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 实时三维重建算法 静态： 知乎：三维重建 3D reconstruction 有哪些实用算法？ 准备环境
Kinect三维重建3333———点云融合
徐某人的博客
08-30 5055
这一节将介绍如何进行点云融合。 首先是加载文件，点云过滤什么的，这里不详讲了。 融合过程如下图所示： 首先，把0当作是Target，1和2当作是Source。1和2分别转60度之后，分别与0进行配准（旋转时计算这3帧的重心，然后绕其重心进行旋转）。配准后，0的点云是不变的，变的分别是1和2的点云。配准采用的是向量ICP 方法，下面仅以前面3帧为例给出代码，后面3帧处理过程是一样的，把3当作是Target，4和5当作是Source。 Eigen::Vector3f totalMass1 =.
三维重建学习笔记之Kinect v1开发环境配置
qq_37860796的博客
08-20 465
说在前面： 硬件设备：Kinect v1   初识Kinect之硬件篇： 传感器的数据流：C 颜色       D 深度       A 音频       IR 红外线       AC 加速度    初识Kinect之驱动篇： 查阅网上，关于indigo下配置Kinect的驱动有以下几种（又如官网介绍http://wiki.ros.org/kinect），比如 ①安装SensorK...
VS2013 + Kinect v2.0 + infiniTAM 三维重建
Bob__yuan的博客
10-31 4821
最近在做深度相机进行三维重建的工作，想配置一下非常有名的Kinect Fusion，也就是 PCL_KinFu 这个功能，PCL的库很好配，但是 KinFu 就异常难配了，windows下试了5次左右没有成功，每次都是最后编译生成出一部分的exe和dll，但是就是没有跟 kinfu 有关的，然后在Ubuntu里配了一次，最后pcl_kinfu_app.exez是有了，就是一直can't open ...
kinect fusion 3D重建基本算法
supermoon920的博客
12-09 692
kinect fusion 3D重建基本算法 原文：  https://blog.csdn.net/xiaohu50/article/details/51592503 KinectFusion重建的基本流程：（according to 《Real-time 3D Reconstruction and interaction Using a Moving Depth Camera》） 1、De...
Kinect-Fusion ICP算法构建带法向量点云金字塔
瞎BB的博客
10-09 2530
主要步骤： 1、构建带法向量的点云金字塔，ICP运行时先对金字塔高层的点云进行匹配，再往下层走，即从粗匹配到精匹配的过程，加快收敛速度； 2、找两点云的匹配点； 3、构造目标函数，并且最小化目标函数获得转换矩阵； 4、判断目标函数的大小是否小于所设定的阈值，或者迭代次数是否超过某个设定的最大值，如果前面的判断是F，则返回到第二步，直至前面的判断是T； 第一步： 金字塔第一层：
基于法向量的点云滤波，滤除地板
点我
05-27 205
Difference of Normal基于频率信息的滤波，低频物体法向量与高频物体不一致。
三维重建笔记_重建方法简介与汇总
惊鸿一博
01-02 1318
网格处理 泊松重建 Possion重建是Kazhdan等2006年提出的网格重建方法[1]。Possion重建的输入是点云及其法向量，输出是三维网格。Poisson有公开的源代码[2]。PCL中也有Poisson的实现。 它的核心思想是点云代表了物体表面的位置，其法向量代表了内外的方向。通过隐式地拟合一个由物体派生的指示函数，可以给出一个平滑的物体表面的估计。...
3D点云地图地面去除（3）：点云平面法向量估计
sru_alo的博客
12-19 4609
        在（1）中，利用RANSAC方法可以在室外提取部分地面特征点，这些特征点可以构成一个不完整的地面。计算出这个不完整地面的法向量，进一步求出 z 轴的变换矩阵 T ，以此可以将采集的点云数据的方向校正，使之成为与标准坐标轴平行的点云，方便后续的处理。激光雷达在采集数据时，其 z 轴与地面法向量不平行，而且这种情况随时都在发生。自动驾驶车辆或者机器人行驶过程中，路面随时都有小的颠簸，偶...
kinect azure ubantu 三维重建
02-04
Kinect Azure在三维重建方面具有很大的潜力，它可以快速、准确地捕捉环境中的三维信息，同时结合Ubuntu系统和Azure Kinect SDK，我们可以很方便地进行三维重建工作。三维重建在许多领域都有着重要的应用，比如虚拟...

“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 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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