笔记一：点云环境搭建及法向量获取

最新推荐文章于 2024-08-02 22:36:09 发布

空心22

最新推荐文章于 2024-08-02 22:36:09 发布

阅读量3.3k

点赞数 8

分类专栏： PCL处理realsense学习笔记文章标签： ubuntu linux

本文链接：https://blog.csdn.net/qq_52103624/article/details/121183086

版权

PCL处理realsense学习笔记专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1. 点云环境

1.1点云
点云与三维图像的关系：三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据，表现形式包括：深度图（以灰度表达物体与相机的距离），几何模型（由CAD软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体——背景解耦。点云数据是最为常见也是最基础的三维模型。点云模型往往由测量直接得到，每个点对应一个测量点，未经过其他处理手段，故包含了最大的信息量。这些信息隐藏在点云中需要以其他提取手段将其萃取出来，提取点云中信息的过程则为三维图像处理。
点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。

1.2环境配置

1.2.1PCL库安装
第一次：失败，解决不了，遂放弃重装系统。

第二次：

step1:安装ubuntu,出现grub-install致命错误，两天未解决，遂放弃，换u盘成功。

step2:安装依赖库

  sudo apt-get update
  sudo apt-get install git build-essential linux-libc-dev
  sudo apt-get install cmake cmake-gui 
  sudo apt-get install libusb-1.0-0-dev libusb-dev libudev-dev
  sudo apt-get install mpi-default-dev openmpi-bin openmpi-common  
  sudo apt-get install libflann1.9 libflann-dev    #和ubuntu18对应1.9
  sudo apt-get install libeigen3-dev
  sudo apt-get install libboost-all-dev
  sudo apt-get install libvtk7.1-qt libvtk7.1 libvtk7-dev     #新版7.1
  sudo apt-get install libqhull* libgtest-dev
  sudo apt-get install freeglut3-dev pkg-config
  sudo apt-get install libxmu-dev libxi-dev 
  sudo apt-get install openjdk-8-jdk openjdk-8-jre      #qt-sdk已被舍弃，改用此代码

step3:下载

git clone https://github.com/PointCloudLibrary/pcl.git

step4:编译

cd pcl 
mkdir release 
cd release
cmake -DCMAKE_BUILD_TYPE=None -DCMAKE_INSTALL_PREFIX=/usr \ -DBUILD_GPU=ON-DBUILD_apps=ON -DBUILD_examples=ON \ -DCMAKE_INSTALL_PREFIX=/usr .. 
make  



#编译完成后
sudo make install

step5:检查

创建test_pcl文件夹，通过vscode创建test_pcl.cpp并写入

#include <iostream>
#include <pcl/common/common_headers.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/console/parse.h>
using namespace std;
 
int main(int argc, char **argv) {//柱型点云测试
  cout << "Test PCL !" << endl;
  pcl::PointCloud<pcl::PointXYZRGB>::Ptr point_cloud_ptr (new pcl::PointCloud<pcl::PointXYZRGB>);
  uint8_t r(255), g(15), b(15);
  for (float z(-1.0); z <= 1.0; z += 0.05) {//制作柱型点云集
  	for (float angle(0.0); angle <= 360.0; angle += 5.0) {
      pcl::PointXYZRGB point;
      point.x = cos (pcl::deg2rad(angle));
      point.y = sin (pcl::deg2rad(angle));
      point.z = z;
      uint32_t rgb = (static_cast<uint32_t>(r) << 16 | static_cast<uint32_t>(g) << 8 | static_cast<uint32_t>(b));
      point.rgb = *reinterpret_cast<float*>(&rgb);
      point_cloud_ptr->points.push_back (point);
    }
    if (z < 0.0) {//颜色渐变
      r -= 12;
      g += 12;
    }
    else {
      g -= 12;
      b += 12;
    }
  }
  
  point_cloud_ptr->width = (int) point_cloud_ptr->points.size ();
  point_cloud_ptr->height = 1;
 
  pcl::visualization::CloudViewer viewer ("pcl—test测试");

  viewer.showCloud(point_cloud_ptr); 
  while (!viewer.wasStopped()){ };
  return 0;
}

利用touch CMakeLists.txt，并写入

cmake_minimum_required(VERSION 2.6)
project(test_pcl)
 
find_package(PCL 1.2 REQUIRED)
 
include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})
 
add_executable(test_pcl test_pcl.cpp)
 
target_link_libraries (test_pcl ${PCL_LIBRARIES})
 
install(TARGETS test_pcl RUNTIME DESTINATION bin)

        然后再在test_pcl文件夹下建一个build文件夹。
        开始编译：
        在build文件夹中打开终端（在文件夹下右键+T）
        终端输入

cmake ..

make

./test_pcl

出现

除了文件名有乱码，基本完成！

1.2.2 安装realsense D455

注意从官网上安装适配本机内核的版本，否则显示无法连接。

下载解压

cd librealsense
sudo apt-get install libudev-dev pkg-config libgtk-3-dev
sudo apt-get install libusb-1.0-0-dev pkg-config
sudo apt-get install libglfw3-dev
sudo apt-get install libssl-dev
mkdir build
cd build
cmake ../ -DBUILD_EXAMPLES=true
make -j4
sudo make install

注意cmake时可以加上

cmake ../ -DCMAKE_BUILD_TYPE=Release -DBUILD_EXAMPLES=true -DFORCE_RSUSB_BACKEND=ON -DBUILD_WITH_TM2=false -DIMPORT_DEPTH_CAM_FW=false

保证你不再需要给内核打补丁。

make install后要设置udev规则

sudo ./scripts/setup_udev_rules.sh

验证

realsense-viewer

1.2.3 安装openGL

参见Linux 下安装 OpenGL_csp123258的专栏-CSDN博客_linux安装opengl

1.2.4 安装glfw

参见Ubuntu下glfw的安装与使用_dxmcu的专栏-CSDN博客buntu下glfw的安装与使用_dxmcu的Ubuntu下glfw的安装与使用_dxmcu的专栏-CSDN博客

清华源，中科大源，和不换源都找不到glfw的依赖build-dep glfw的源代码包，跳过直接编译，不知道行不行。

1.2.5 安装opencv4.5.3

参见Ubuntu18安装opencv3.4_zhongqli的博客-CSDN博客

其中可能会出现 errorE: unable to locate libjasper-dev

在终端输入

   sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
   sudo apt update
   sudo apt upgrade
   sudo apt install libjasper1 libjasper-dev

再来一次就能解决。

2. 法向量的求取
2.1法向量
基于局部表面拟合的方法首先由 Hoppe 等在基于有向距离函数（Signed Distance Function）的表面重建算法中提出假设点云的采样平面是处处光滑的，因此，任何点的局部邻域都可以用平面进行很好的拟合；为此，对于点云中的每个点p，获取与其最相近的k个相邻点，然后为这些点计算一个最小二乘意义上的局部平面 P，并找到法向量。

2.2 PCL处理realsense的点云数据

初始想法：利用realsense获取的点云数据包括两种：照片数据.ply,录制数据.bag，但是pcl要处理的是pcd数据，因此要将.ply转成.pcd（x,y,z,RGB)格式，再导入到pcl中处理。

思路错误：不应该从realsense中把数据直接存下来，而是把数据读下来，直接用PCL处理返回法向量。

先从realsense中获取位置和颜色数据

#ifndef RSDEVICE_H
#define RSDEVICE_H
#include <librealsense/rs.hpp>
#include <QString>

#封装对realsense的操作
class rsdevice
{
public:
    rs::context ctx;
    rs::device * dev;
    int devCount;
    QString devName;
    QString devSerial;
    QString devFwVersion;
    QString devCamType;
    QString devIspFwVersion;
    bool streamEnable;

public:
    QString getDevName(){
        return devName;
    }

    QString getDevSerial(){
        return devSerial;
    }

    QString getDevFwVersion(){
        return devFwVersion;
    }

    QString getCamType(){
        return devCamType;
    }

    QString getIspFwVersion(){
        return devIspFwVersion;
    }

public:
    rsdevice();
    ~rsdevice();
    void initRsDevice();
    void enableStream();
    uchar * getFrameData();
    bool isSteamEnable();
    float getDistance(int x,int y);
};

#endif // RSDEVICE_H

#初始化摄像头
void rsdevice::initRsDevice()
{
 devCount = ctx.get_device_count();

 dev = ctx.get_device(0);
.....................
.....................
}

#开启摄像头数据流，在这里我们只开启两路数据，一路RGB彩色数据，一路深度摄像头数据
void rsdevice::enableStream(){
    streamEnable = true;
    dev->enable_stream(rs::stream::color, 640, 480, rs::format::rgb8, 60);
    dev->enable_stream(rs::stream::depth,640,480, rs::format::z16, 60);
    dev->start();
}

#获取RGBC彩色数据
uchar * rsdevice::getFrameData(){
    dev->wait_for_frames();
    return (uchar *) dev->get_frame_data(rs::stream::color);
}

#获取深度数据
float rsdevice::getDistance(int x, int y){
    uint16_t *depthImage = (uint16_t *) dev->get_frame_data(rs::stream::depth);
    float scale = dev->get_depth_scale();
    rs::intrinsics depthIntrin = dev->get_stream_intrinsics(rs::stream::depth);
    uint16_t depthValue = depthImage[y * depthIntrin.width + x];
    float depthInMeters = depthValue * scale;
    return depthInMeters;
}

再用PCL获取法向量

#PCL获取法向量
 #include <pcl/point_types.h>
    #include <pcl/features/normal_3d.h>

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

  ... read, pass in or create a point cloud ...

  // Create the normal estimation class, and pass the input dataset to it
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
  ne.setInputCloud (cloud);

  // Create an empty kdtree representation, and pass it to the normal estimation object.
  // Its content will be filled inside the object, based on the given input dataset (as no other search surface is given).
  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
  ne.setSearchMethod (tree);

  // Output datasets
  pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);

  // Use all neighbors in a sphere of radius 3cm
  ne.setRadiusSearch (0.03);

  // Compute the features
  ne.compute (*cloud_normals);

  // cloud_normals->points.size () should have the same size as the input cloud->points.size ()*
}

理论结束了，c++的拼装还得解决呀！（微笑）