PCL学习笔记

总结

感觉点云重点的应该是三部分：基础点云类型，配准，聚类
配准：NDT。icp。SAC_IA+FPFH
聚类：VFH描述子，区域生长等
不熟悉部分：对于各种特征点，描述子，以及聚类相关接触较少，可以重点了解下。

点云配准

ICP

PLC基础

PointT类型

• PointXYZ中石是有四个data的，其目的是为了对齐
  
• PointXYZI中是两个data[4]，原因是因为，如果把强度放到第一个datap[4]的第四位后，会影响xyz的点积。
• Normal成员，里边包含了法向量和曲率,这个类似于PointXYZI
• PointNormal，包含点的坐标，法向量和曲率
  
• 定义自己的点类型
  

PCD文件的相关内容

• 除了pcd文件，pcl还可以操作ply格式的点云文件
• pcd的文件
  
  

kdtree和八叉树介绍及应用示例

• 都是只讲理论，没有意思

点云可视化

• 用处也不是很大
• PCLVisualizer讲了pcl的可视化，但是我们用的时候多数是在ros上，用rviz可视化会更方便一些
• PCLPlotter可视化特征直方图（FPFH）
  快速点特征直方图(FPFH)描述子
  这个是指对于某个特征点，其周围其他点的分布情况构成的一个直方图。

随机采样一致性

• 一个面试题。答案是D， 置信度越高即精度越高， 停止迭代的误差阈值越小， 迭代次数越多
  
  

PCL关键点

需要自己去查一查，这个人讲的不好

NARF

基础

• NARF是基于深度图的（RangeImage）
• 了解三种深度图的边界点，object borders； shadow borders；veil points；这三种点pcl提供了提取方法
• 

关键点的内容

• Normal Aligned Radial Feature
• 要求

1. 提取的过程必须将边缘以及物体表面变化信息考虑在内
2. 关键点位置必须稳定，可以被重复探测，即使换了不同的视角
3. 关键点所在的位置必须有稳定的支持区域，可以计算描述子并进行唯一的方向量估计

• 步骤
  
  

Harris

SIFT

被申请了专利，商业上不可以随便用

描述子

PFH，FPFH，vfh

滤波方法

直通滤波

双边滤波器

体素滤波器

增采样

统计滤波器

• 可以用于去除噪点
  

ExtractIndices

• 分割算法
  

径向滤波器

任意多边形内部点云提取