4 PCL无序点云检测

躺平的牛马

已于 2024-06-03 20:57:30 修改

阅读量155

点赞数 2

分类专栏： PCL库的学习文章标签： c++

于 2024-06-02 19:50:49 首次发布

本文链接：https://blog.csdn.net/qq_73014654/article/details/139394253

版权

PCL库的学习专栏收录该内容

10 篇文章 0 订阅

订阅专栏

// 3、交换八叉树缓存，但是cloudA对应的八叉树仍在内存中
octree.switchBuffers();

其意思假若有两个格子，将A加载进去第一个格子之后，通过octree.switchBuffers()实现将A换在第二个格子中。

后续再又进行了cloudB的操作就把B放在了第一个格子中

假设A和B是相同东西，进行监测——监测A和B索引，对比相交不同的部分，即打出B中对于同样的A来说不同的异常点

所以将B点云改成A点云，最后输出为空

std::vector<int> newPointIdxVector; 定义了一个整数向量 newPointIdxVector，它将用于存储从八叉树中检索到的新体素中点的索引。

octree.getPointIndicesFromNewVoxels(newPointIdxVector); 调用八叉树对象 octree 的 getPointIndicesFromNewVoxels 方法，并将 newPointIdxVector 作为参数传递。这个方法会检查自上次调用 getPointIndicesFromNewVoxels（或八叉树创建时，如果这是第一次调用）以来添加到八叉树中的新体素，并将这些体素中包含的点的索引添加到 newPointIdxVector 中。

#include <pcl/point_cloud.h>
#include <pcl/octree/octree.h>
#include <iostream>
#include <vector>
#include <ctime>

using namespace pcl;

#if 1
int main(int argc, char** argv)
{
	srand((unsigned int)time(NULL));

	// 八叉树分辨率 即体素的大小
	float resolution = 16.0f;//正方体的边长为16mm

	// 1、初始化空间变化检测对象
	octree::OctreePointCloudChangeDetector<PointXYZ>octree(resolution);

	// 2、为cloudA创建点云 ，添加点云到八叉树，建立八叉树
	PointCloud<PointXYZ>::Ptr cloudA(new PointCloud<PointXYZ>);
	cloudA->width = 128;
	cloudA->height = 1;
	cloudA->points.resize(cloudA->width * cloudA->height);
	for (size_t i = 0; i < cloudA->points.size(); ++i)
	{
		cloudA->points[i].x = 64.0f * rand() / (RAND_MAX + 1.0f);
		cloudA->points[i].y = 64.0f * rand() / (RAND_MAX + 1.0f);
		cloudA->points[i].z = 64.0f * rand() / (RAND_MAX + 1.0f);
	}
	octree.setInputCloud(cloudA);//建立八叉树
	octree.addPointsFromInputCloud();//执行更新八叉树

	//  3、交换八叉树缓存，但是cloudA对应的八叉树仍在内存中
	octree.switchBuffers();

	// 4、为cloudB创建点云，添加 cloudB到八叉树
	PointCloud<PointXYZ>::Ptr cloudB(new PointCloud<PointXYZ>);
	cloudB->width = 128;
	cloudB->height = 1;
	cloudB->points.resize(cloudB->width * cloudB->height);
	for (size_t i = 0; i < cloudB->points.size(); ++i)
	{
		cloudB->points[i].x = 64.0f * rand() / (RAND_MAX + 1.0f);
		cloudB->points[i].y = 64.0f * rand() / (RAND_MAX + 1.0f);
		cloudB->points[i].z = 64.0f * rand() / (RAND_MAX + 1.0f);
	}
	octree.setInputCloud(cloudB); 
	octree.addPointsFromInputCloud();//执行更新八叉树状态


	// 5、点云B ，相对于点云A，没有的体素点
	std::vector<int>newPointIdxVector; // 后添加进来的点云的索引
	octree.getPointIndicesFromNewVoxels(newPointIdxVector);

	//打印输出点
	std::cout << "Output from getPointIndicesFromNewVoxels:" << std::endl;
	for (size_t i = 0; i < newPointIdxVector.size(); ++i)
	{
		std::cout << i << "# Index:" << newPointIdxVector[i]
			<< "  Point:" << cloudB->points[newPointIdxVector[i]].x << " "
			<< cloudB->points[newPointIdxVector[i]].y << " "
			<< cloudB->points[newPointIdxVector[i]].z << std::endl;
	}
}

#endif