PCL 计算点云AABB包围盒

最新推荐文章于 2024-10-10 08:43:24 发布
最新推荐文章于 2024-10-10 08:43:24 发布
阅读量499 收藏 8
点赞数 21
分类专栏： PCL点云算法与实战案例 文章标签： 3d 计算机视觉 c++ 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_47947920/article/details/142668859
版权

目录

一、概述

1.1原理

1.2实现步骤

1.3应用场景

二、代码实现

2.1关键函数

2.1.1 计算AABB

2.1.2 可视化AABB

2.2完整代码

三、实现效果

PCL点云算法汇总及实战案例汇总的目录地址链接：

PCL点云算法与项目实战案例汇总（长期更新）

一、概述

        点云的包围盒（Bounding Box）是用于描述点云在三维空间中的边界范围的一种简单几何体。在三维点云处理中，包围盒可以用于碰撞检测、快速计算点云边界等应用。AABB（Axis-Aligned Bounding Box）是一种轴对齐的包围盒，始终与坐标轴对齐，因此计算起来较为简单高效。

1.1原理

       

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PCL 计算点云AABB包围盒的体积
点云侠的博客
02-19 1228
AABB包围盒又称了 轴对齐包围盒，是点云包围盒里最简单的一种，其计算方法也极其简单。获取包围盒之后，根据包围盒的长宽高进行体积计算即可！
PCL 点云AABB包围盒
dayuhaitang1的博客
03-17 359
PCL 点云AABB包围盒
PCL 获取点云AABB包围盒+OBB包围盒+特征值+特征向量等（Feature_MomentOfInertiaEstimation）
xhm01291212的博客
08-26 443
注意：本例是调用PCL自己的接口，直接计算。PCL自己的接口直接计算上述参数非常慢！！！工作中使用时，建议自己重写一次！！！
PCL 计算点云AABB包围盒（惯性矩阵)
纵马踏花向自由
10-08 1066
基于惯性矩特征计算点云的AABB（Axis-Aligned Bounding Box，轴对齐包围盒）是点云处理中常用的一种包围盒计算方法。通过计算点云的最小外接立方体，可以用于许多应用场景，如碰撞检测、点云裁剪等。
CloudCompare&PCL 点云AABB包围盒
dayuhaitang1的博客
06-21 928
AABB的算法思想相对简单，即求取点云的三个维度的最大最小值即可构成该包围盒。
PclSharp1.12.0--计算点云AABB包围盒体积1
swmyaopeng的博客
02-28 1009
PclSharp--计算点云AABB包围盒
点云AABB、OBB包围盒计算显示
qq_48694523的博客
05-26 333
在进行点云体积测量、重叠区域检测、碰撞检测等功能时，经常需要对一个点云团进行包围盒计算，常见的点云包围盒有AABB包围盒以及OBB包围盒，计算方式主要有直接计算以及惯性矩法。
PCL点云处理之OBB与AABB包围盒计算与注释（七十三）
weixin_44329757的博客
12-19 3430
PCL中已有题目中两种包围盒算法的集成，这里调用实现，并对输出坐标作具体解释说明，通过自己实现的方法对比部分坐标，应注意到PCL中的OBB包围盒顶点坐标是变换后关于原点对称的坐标，并不在原来的点云位置。
Multi-Scale 3D Gaussian Splatting for Anti-Aliased Rendering
初见月
10-09 830
multi-scale 3DGS采用不同尺度的高斯来表示同一场景。
VastGaussian: Vast 3D Gaussians for Large Scene Reconstruction
初见月
10-09 1059
VastGaussian引入了渐进式数据划分策略，允许独立的单元优化和无缝合并，获得具有足够三维高斯分布的完整场景。此外，解耦外观建模消除了训练图像中的外观变化，实现了不同视图之间的一致渲染。
PCL Harris3D关键点提取
纵马踏花向自由
10-09 377
Harris3D关键点检测是一种经典的角点检测算法，被广泛应用于图像处理和点云处理。该算法通过计算每个点的响应值，提取局部几何结构显著的关键点。相较于其他特征点检测算法，Harris3D具有更好的鲁棒性和准确性，尤其适用于三维点云数据的关键点检测。
Qt Quick 3D 入门：QML 3D场景详解
weixin_73414031的博客
10-04 1476
Qt Quick 3D 是 Qt 6 中引入的一个模块，旨在为用户提供便捷的 3D 场景管理和渲染工具。与 Qt 5 中的 Qt 3D 模块相比，QtQuick3D 更加简化，且集成了 Qt Quick 的能力，让 2D 和 3D 内容的结合更加自然。要显示 3D 内容，首先需要创建一个View3D，这是 QtQuick3D 中的主要容器，类似于 2D 场景中的Item。View3D是一个 3D 场景的承载体，所有 3D 内容都将在这个视图中渲染。
[Notes] 3DGS Features Summary
weixin_44444492的博客
10-08 988
ααi∈01]iCfinal​i1∑N​αiCi​ji∏​1−αj)Cfinal​Ci​iαi)μiμixi​yi​zi​)fxexp−21​x−μi⊤Σ−1x−μi)xxyzi​∈R34final​αici​where ci​i​∈R3R4ci​cfinal​ci​rii​i​sx​sy​s。
PCL 计算3DSC并可视化
纵马踏花向自由
10-09 916
3D形状上下文(3D Shape Context, 3DSC)是三维点云描述子的一种，它通过将一个点的局部邻域信息映射到球坐标系，并将空间区域划分为多个区域来描述点的局部几何结构。通过计算每个区域内的点数，可以得到描述点局部形状的特征向量。3DSC可以用于点云配准、匹配、物体识别等任务。
[Notes] How covariance matrix determind 3DGS and 2DGS
weixin_44444492的博客
10-08 1063
covand。
ECCV`24 | 新加坡国立&华为提出Vista3D: 实现快速且多视角一致的3D生成
最新发布
AIGCer的博客
10-10 807
解决的问题解决单张图像生成3D对象时多视图不一致的问题。平衡3D生成中的一致性与多样性。提出的方案Vista3D框架采用两阶段方法：粗略阶段通过高斯投影生成初始几何，精细阶段优化符号距离函数（SDF）。使用角度组合方法进行扩散先验，通过约束梯度幅度实现多样性。应用的技术高斯投影和可微等值面方法。解耦纹理技术。使用两个独立隐函数捕捉物体的可见和隐藏方面。达到的效果在短短5分钟内实现快速且一致的3D生成。提升生成质量，维持3D物体一致性和多样性之间的平衡。
GISBox工具：轻松实现倾斜摄影数据从OSGB到3D Tiles的转变
m0_69539341的博客
10-08 761
本文介绍了一款高效、易用的OSGB转3D Tiles工具，该工具能够轻松实现倾斜摄影数据从OSGB到3D Tiles格式的转换，广泛应用于地理信息系统（GIS）、城市规划与管理、虚拟现实（VR）与增强现实（AR）等领域。通过模型轻量化、实时编辑等特色功能，该工具大幅提升了数据转换的效率和准确性，为用户提供了极大的便利，是处理倾斜摄影数据的理想选择。
Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering
初见月
10-08 580
Scaffold-GS 利用场景结构来引导和约束 3D 高斯的分布，同时允许它们局部适应不同的视角和距离
PCL计算点云包围盒并显示
06-06
要计算点云的包围盒并显示，您可以使用PCL库中的PCLVisualizer类和PCL的PointXYZ类。以下是一个示例代码，可以帮助您完成此操作： ```cpp #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/visualization/pcl_visualizer.h> #include <pcl/common/common.h> int main() { // 读取点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ>("your_point_cloud.pcd", *cloud); // 计算包围盒大小 Eigen::Vector4f centroid; pcl::compute3DCentroid(*cloud, centroid); pcl::PointXYZ minPt, maxPt; pcl::getMinMax3D(*cloud, minPt, maxPt); Eigen::Vector3f box_min(minPt.x, minPt.y, minPt.z); Eigen::Vector3f box_max(maxPt.x, maxPt.y, maxPt.z); // 创建可视化对象 pcl::visualization::PCLVisualizer viewer("PCL Viewer"); // 添加点云和包围盒 viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud"); viewer.addCube(box_min[0], box_max[0], box_min[1], box_max[1], box_min[2], box_max[2], 1.0, 1.0, 1.0, "cube"); // 显示可视化结果 viewer.spin(); return 0; } ``` 在这个示例代码中，我们首先读取点云数据。然后，我们使用pcl::compute3DCentroid和pcl::getMinMax3D函数计算点云的中心点和包围盒大小。接下来，我们创建了一个PCLVisualizer对象，并使用viewer.addPointCloud和viewer.addCube函数将点云和包围盒添加到可视化对象中。最后，我们使用viewer.spin函数显示可视化结果。
评论
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