上图中红色点为检索点,圆圈为检索邻域范围。在检索过程中左边及中间的检索点是道路内部点,而最右侧点则为外部点,并根据该原理进而圈定点云数据。首先对需要判别的点云数据进行KD-Tree构建,然后将该点云数据内的所有点都作为检索点进行遍历,以r=1作为检索半径进行邻域检索,然后采用下述公式进行判别:
式中Count 为在同位置另一期点云数据邻域应有点数,density为同位置点云数据密度,即通过判断检索点邻域点数是否大于0.5*Count,进而提取内部点云数据。
该圈定的目的主要是有两期点云数据,用于检索的那期是待处理的点云数据,而同位置另一期点云数据是处理好的点云数据。就比如说我现在裁剪了一部分点云数据并且降采样后用于研究,这部分作为出处理好的,如果我想在原始点云数据中同样裁剪相同区域的点云数据,就可以使用这种方法,而且只要有一期数据,采用这种方法可以实现对多期其他时间的同区域点云进行裁剪。
#include<Windows.h>
#include <iostream>
#include <string>
#include <algorithm>
#include <string>
#include <cstdlib>
#include <cstdio>
#include <Eigen\Dense>
#include <Eigen/Eigenvalues>
#include <map>
#include <math.h>
#include <vector>
#include <list>
#include <pcl/common/common.h>
#include <pcl/console/parse.h>
#include <pcl/common/transforms.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/normal_space.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/point_cloud.h>
#include <pcl/ModelCoefficients.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/crop_hull.h>
#include <pcl/features/normal_3d.h>
#include <pcl/kdtree/kdtree.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/surface/concave_hull.h>
#include <pcl/surface/convex_hull.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/sample_consensus/ransac.h>
#include <pcl/sample_consensus/sac_model_plane.h>
#include <pcl/features/boundary.h>
#include <pcl/common/geometry.h>
#include <pcl/pcl_macros.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <iomanip>
using Eigen::MatrixXd;
using Eigen::Matrix2d;
using namespace Eigen;
using namespace std;
#define PI acos(-1)
double
Dendity(const pcl::PointCloud<pcl::PointXYZRGB>::ConstPtr& cloud)
{
double resolution = 0.0;
int numberOfPoints = 0;
int nres;
std::vector<int> indices(2);
std::vector<float> squaredDistances(2);
pcl::KdTreeFLANN<pcl::PointXYZRGB> kdtree;
kdtree.setInputCloud(cloud);
for (size_t i = 0; i < cloud->size(); ++i)
{
nres = kdtree.nearestKSearch(i, 2, indices, squaredDistances);
if (nres == 2)
{
resolution += sqrt(squaredDistances[1]);
++numberOfPoints;
}
}
if (numberOfPoints != 0)
resolution /= numberOfPoints;
return resolution;
}
int main()
{
pcl::PCDReader reader;
pcl::PointCloud<pcl::PointXYZRGB>::Ptr origin(new pcl::PointCloud<pcl::PointXYZRGB>), road(new pcl::PointCloud<pcl::PointXYZRGB>),
cloud2save(new pcl::PointCloud<pcl::PointXYZRGB>);
reader.read("D:\\npdata\\data_enhance\\Data_f.pcd", *road);
/* reader.read("D:\\npdata\\limestone.pcd", *origin);*/
double radius{ 1 };
double dy = Dendity(road);
int pt = (4 / 3) * dy * PI * pow(radius, 2) / 2;
pcl::KdTreeFLANN<pcl::PointXYZRGB> tree1;
tree1.setInputCloud(road);
pcl::PointXYZRGB searchPoint;
for (int i{ 0 }; i < origin->size(); i++)
{
searchPoint = origin->at(i);
std::vector<int> pointIdxRadiusSearch;
std::vector<float> pointRadiusSquaredDistance;
if (tree1.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > pt)
{
cloud2save->push_back(searchPoint);
}
}
pcl::PCDWriter writer;
std::stringstream ss;
ss << "D:\\npdata\\data_enhance\\Data_f.pcd";
pcl::io::savePCDFileASCII(ss.str(), *cloud2save);
return 0;
}