pcl--第五节 特征描述与提取Features

最新推荐文章于 2024-08-12 16:41:39 发布
最新推荐文章于 2024-08-12 16:41:39 发布
阅读量302 收藏
点赞数
文章标签： 算法 人工智能 机器学习
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/weixin_42398658/article/details/132906389
版权

3D 点云特征描述与提取是点云信息处理中的最基础也是最关键的部分，点云的识别、分割、重采样、配准、曲面重建等大部分算法，都十分依赖特征描述与提取的结果。

从尺度上来划分，一般分为局部特征描述和全局特征描述。例如局部的法线等几何形状特征的描述，全局的拓扑特征描述，都属于3D点云特征描述与提取范畴。在 PCL 中，目前已有很多基本的特征描述子与提取算法。

特征点

理想情况下，在使用同一种度量规则情况下，相同或相似的表面上的点的特征值应该非常相似，不同表面上的点的特征描述子有明显的差异。通过以下几个条件的变化仍能够获取获取相同或相似的局部表面特征，则说明该特征表示方式比较优秀：

  • 刚性变换(rigid transformations)：即数据中的3D旋转和3D平移不应影响结果特征向量F的估计
  • 多种采样密度(varying sampling density)：原则上，在一个局部表面或多或少采样密度的应具有相同的特征向量
  • 噪声(noise)：在数据中存在轻微噪声的情况下，由特征点描述的特征向量必须相同或非常相近

 

通常，PCL功能使用近似的方法通过快速的kd-tree查询来计算查询点的最近邻居，我们感兴趣的查询有两种：

  • k搜索：确定查询点的k个（用户给定参数）邻居
  • 半径搜索：确定半径为r的球面内查询点的所有邻居。

如何传递输入参数

由于PCL中几乎所有类都继承自基本pcl::PCLBase类，因此pcl::Feature类以两种不同的方式接受输入数据：

  1. 通过setInputCloud(PointCloudConstPtr&)给出的整个点云数据集， 任何试图在给定输入云中的每个点上进行特征估计。
  2. 通过setInputCloud(PointCloudConstPtr&)和setIndices(IndicesConstPtr&)（可选）给出的点云数据集的子集， 所有特征估计方式都将用来尝试估计输入云中每个在indices索引列表中点的特征。默认情况下，如果未给出索引集，则将考虑云中的所有点。

另外，可以通过额外的调用setSearchSurface(PointCloudConstPtr&)来指定要搜索使用的点邻居集。此调用是可选的，如果未提供搜索范围的情况下，默认将使用输入点云数据集。 由于始终需要setInputCloud()，因此可以使用<setInputCloud()，setIndices()，setSearchSurface()>创建多达四个组合。假设我们有两个点云，P={p1,p2,…pn}和Q={q1,q2,…,qn}，下图显示了所有四种情况：

  • setIndices() = false, setSearchSurface() = false

    毫无疑问，这是PCL中最常用的情况，用户仅输入单个PointCloud数据集，并期望在云中的所有点处估计某个特征。

    由于我们不希望根据是否给出一组indices(索引)和/或search surface(搜索表面)来维护不同的实现副本，因此每当indices = false时，PCL就会创建一组内部索引（作为std::vector <int>）基本上指向整个数据集（索引= 1..N，其中N是云中的点数）。

    在上图中，这对应于最左边的情况。首先，我们估计p_1的最近邻居，然后估计p_2的最近邻居，依此类推，直到用尽P中的所有点。

  • setIndices() = true, setSearchSurface() = false

    如前所述，特征估计方法将仅计算在给定indices(索引) 的vecter中具有索引的那些点的特征；

    在上图中，这对应于第二种情况。在此，我们假设p_2的索引不是给定索引vector的一部分，因此不会在p2处估计任何邻居或特征。

  • setIndices() = false, setSearchSurface() = true

    与第一种情况一样，将对输入的所有点进行特征估计，但是setSearchSurface()中给定的基础相邻表面将用于获取输入的最近邻居点，而不是输入云本身；

    在上图中，这对应于第三种情况。如果Q={q1,q2}是作为输入云，把P设置为Q的search surface搜索面，则将从P计算q_1和q_2的邻居。

  • setIndices() = true, setSearchSurface() = true

    这是最罕见的情况，同时给出了indices索引和search surface搜索表面。在这种情况下，将使用setSearchSurface中提供的搜索表面信息来计算<input, indices>中的子集的特征。

    最后，在上图中，这对应于最右边的情况。在此，我们假设q_2的索引不属于为Q指定的索引向量，因此在q2处不会估计出任何邻居或特征。

使用setSearchSurface的最有用的情况是：当我们有一个非常密集的输入数据集，但我们不想估计其中所有点的特征，而是要估计使用pcl_keypoints中的方法发现的某些关键点，或者在点云的降采样版本上（例如，使用pcl::VoxelGrid <T>过滤器获得的降采样点云）。在这种情况下，我们通过setInputCloud传递降采样/关键点输入，并将原始数据作为setSearchSurface传递，这样可以大幅提高效率

#include<pcl/point_types.h>
#include<pcl/features/normal_3d.h>
#include<pcl/io/pcd_io.h>
#include<pcl/visualization/pcl_visualizer.h>


int main()
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PCDReader reader;
	reader.read("table_scene_lms400_downsampled.pcd", *cloud);
	//创建法向量估算类，传递输入数据集
	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
	ne.setInputCloud(cloud);

	// 创建一个空的kd树
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
	ne.setSearchMethod(tree);

	// 定义输出数据集
	pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>());

	// 使用一个半径为3cm的球体中的所有邻居点
	ne.setRadiusSearch(0.03);

	// 计算特征
	ne.compute(*cloud_normals);

	// 创建可视化对象
	pcl::visualization::PCLVisualizer viewer("PCL Viewer");
	// 设置可视化颜色，一般针对点云设置
	pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> fildColor(cloud, "z");//按照z字段进行渲染
	
	viewer.setBackgroundColor(0.0, 0.0, 0);
	viewer.addPointCloud<pcl::PointXYZ>(cloud, fildColor, "cloud");
	viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "cloud");
	// 参数int level=5 表示每n个点绘制一个法向量
	// 参数float scale=0.1 表示法向量长度缩放为0.1倍
	viewer.addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, cloud_normals, 5, 0.1, "normals");
	viewer.addCoordinateSystem(1.0);

	while (!viewer.wasStopped()) {
		viewer.spinOnce();
	}

	return 0;
}

估计部分点云法向量

#include<pcl/point_types.h>
#include<pcl/features/normal_3d.h>
#include<pcl/io/pcd_io.h>
#include<pcl/visualization/pcl_visualizer.h>


int main()
{

	pcl::PointCloud<pcl::PointXYZ>::Ptr full_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PCDReader reader;
	reader.read("table_scene_lms400_downsampled.pcd", *full_cloud);
	// 估计点云所有的法向量
#if 0
	//创建法向量估算类，传递输入数据集
	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
	ne.setInputCloud(cloud);

	// 创建一个空的kd树
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
	ne.setSearchMethod(tree);

	// 定义输出数据集
	pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>());

	// 使用一个半径为3cm的球体中的所有邻居点
	ne.setRadiusSearch(0.03);

	// 计算特征
	ne.compute(*cloud_normals);

#endif

     加载完整的点云数据
    //pcl::PointCloud<pcl::PointXYZ>::Ptr full_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    //pcl::io::loadPCDFile<pcl::PointXYZ>("your_point_cloud.pcd", *full_cloud);

    // 创建法线估计对象
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(full_cloud);

    // 定义搜索半径（用于估计每个点的法向量）
    float radius = 0.03;
    ne.setRadiusSearch(radius);

    // 指定部分点云的索引列表
    std::vector<int> indices(5000); // 示例索引列表
    for (int i = 0; i < 5000; i++) indices.emplace_back(i);

    // 创建部分点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr partial_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::copyPointCloud(*full_cloud, indices, *partial_cloud);

    // 设置部分点云索引
    pcl::IndicesPtr indices_ptr(new std::vector<int>(indices));
    ne.setIndices(indices_ptr);

    // 估计法向量
    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
    ne.compute(*normals);

    // 可视化显示部分点云和法向量
    pcl::visualization::PCLVisualizer viewer("Partial Point Cloud with Normals");
    viewer.setBackgroundColor(0.0, 0.0, 0.0);
    viewer.addPointCloud<pcl::PointXYZ>(partial_cloud, "cloud");
    viewer.addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(partial_cloud, normals, 10, 0.02, "normals");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.0, 1.0, 0.0, "normals");
    viewer.spin();

    return 0;
}

估计一个点云的表面法线

表面法线是几何体表面的重要属性,在很多领域都有大量应用,例如:在进行光照渲染时产生符合可视习惯的效果时需要表面法线信息才能正常进行,对于一个已知的几何体表面,根据垂直于点表面的矢量,因此推断表面某一点的法线方向通常比较简单。然而由于我们获取的点云数据集在真实物体的表面表现为一组定点样本这样就会有两种解决方法:

  1. 使用曲面重建技术从取的点云数据集中得到采样点对应的曲面，然后从曲面模型中计算表面法线;
  2. 直接从点云数据集中近似推断表面法线

已知一个点云数据集在其中的每个点处直接近似计算表面法线。
尽管有许多不同的法线估计方法,本教程中着重介绍的是其中最简单的一个，表述如下,确定表面一点法线的问题近似于估计表面的一个相切面法线的问题,因此转换过来以后就变成一个最小二乘法平面拟合估计问题注意;更多信息包含最小二乘法问题的数学方程式,请见[RusuDissertation]。因此估计表面法线的解决方案就变成了分析一个协方差矩阵的特征矢量和特征值(或者 PCA一主成分分析),这个协方差矩阵从查询点的近邻元素中创建。更具体地说,对于每一个点 P;,对应的协方差矩阵 C如下:

#include<pcl/point_types.h>
#include<pcl/features/normal_3d.h>
#include<pcl/io/pcd_io.h>
#include<pcl/visualization/pcl_visualizer.h>


int main()
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PCDReader reader;
	reader.read("table_scene_lms400_downsampled.pcd", *cloud_downsampled);
    reader.read("table_scene_lms400.pcd", *cloud);

    // 输入数据集中的所有点估算一组表面法线，但将使用另一个数据集（原始点云）估计其最近的邻居
    // 创建法向量估算类，将降采样后的数据作为输入点云
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud_downsampled);

    // 传入降采样之前的原始数据作为search surface
    ne.setSearchSurface(cloud);

    // 创建一个空的kdtree，将值传递给法向量估算对象
    // 这个tree对象将会在ne内部根据输入的数据集进行填充（这里设置没有其他的search surface）
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    ne.setSearchMethod(tree);

    // 定义输出数据集
    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);

    // 使用一个半径为3cm的球体中的所有邻居点
    ne.setRadiusSearch(0.03);

    // 计算特征
    ne.compute(*cloud_normals);

    // 可视化显示部分点云和法向量
    pcl::visualization::PCLVisualizer viewer("Partial Point Cloud with Normals");
    viewer.setBackgroundColor(0.0, 0.0, 0.0);
    pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZ> fildColor(cloud, "z");//按照z字段进行渲染
    viewer.addPointCloud<pcl::PointXYZ>(cloud_downsampled, fildColor,"cloud");
    viewer.addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud_downsampled, cloud_normals, 10, 0.02, "normals");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.0, 1.0, 0.0, "normals");
    viewer.spin();
    return 0;
}

 

zsffuture
关注
PCL 特征(pcl::Feature)模块使用方法
点云侠的博客
07-22 3904
特征(pcl::Feature)模块使用方法
PCL安装与配置(PCL1.9.1+MSVC2017)
ifeng12358的博客
08-06 280
为了和我的VS的版本VS 2017对应，PCL下载的也是msvc_2017,PCL msvc2017最新的则是1.901版本，我们就以PCL 1.9.1为例了。（如果你的vs是2019和2022，一定要注意PCL的版本）。
PCL学习笔记四：3D feature in PCL
TODAY WAS A GOOD DAY
05-19 2692
介绍一下3D特征抽取 理论原型 Rusu在他的博士论文中讲到：点，在3D绘图系统中，是用笛卡尔坐标系下，相对给定原点的x，y，z值定义的。假定坐标系原点不随时间变化而改变，那么可能存在两个分别在t1和t2时刻得到的p1和p2点，具有相同的坐标。比较这些点实际是病态的，因为即使它们相对于某距离度量（如欧氏度量）相等，也可以是完全不同的表面上采样得到的，因而当与其附近其他点一同考虑时，代表着完全不
【PCL自学:Feature1】点云特征估计(持续更新)
斯坦福的兔子的博客
02-04 2808
一、Feature库 点云特征估计简述及代码解析   本文介绍了PCL中的三维点特征估计方法，并为对PCL:: feature类的内部结构感兴趣的用户或开发人员提供了指南。查看官方源文档请点击这里   点的特征估计 在 特征点搜索、点云配准、点云分割、三维物体识别等领域中常用，所谓的特征包括点云法向、曲率等，常用于点云预处理阶段当中。本文仅简要概述特征估计的原理，详细的点云特征估计论文请点击这里获取 名词：点的特征估计   3D映射系统概念中定义的 点 是相对于给定的原点，并使用它们的笛卡尔坐标x、y、z.
PCL从理解到应用【09】 点云特征 | 关键点提取 | 方法汇总
黎国溥
08-03 1693
在PCL中，有多种方法和函数可以用来提取点云特征，本文介绍关键点提取。提取点云关键点，本文介绍的方法包括：SIFT、Harris、NARF、ISS和SUSAN。Harris 提取点云关键点，效果如下图所示：白色点是原始的点云（兔子），绿色点是Harris提取的点云关键点。对比一下5种点云关键点算法，如下表格所示：方法简介特点时间复杂度优点缺点SIFT基于尺度不变特征变换，检测不同尺度和旋转不变的关键点尺度不变性、旋转不变性高在尺度和旋转变化下稳定，对噪声有较强的鲁棒性。
【PCL】三维特征描述子pcl::Feature类的相关基础
lemonxiaoxiao的博客
01-11 994
pcl::Feature类的两种输入方法及四种使用模式理论基础pcl::Feature类输入数据的传入方法pcl::Feature类的四种使用模式法线估计实例 理论基础 在原始表示形式下，点的定义是用笛卡尔坐标系坐标x,y,z相对于一个给定的原点来简单表示的三维映射系统的概念。假定坐标系的原点不随着时间而改变，这里有两个点p1和p2，分别在时间t1和t2捕获，有着相同的坐标。对这两个点做比较其实是属于不适定问题（ill-posed problem），因为虽然相对于一些距离测度（如：欧几里得度量）它们是相等
PCL函数库摘要——3D点云特征描述与提取
最新发布
qq_656236576的博客
08-12 777
类FPFHEstimation实现了FPFH(Fast Point Feature Histogram)描述子计算算法，该算子是局部点特征描述子之一，计算速度简单、并且不失描述性，主要针对点云配准中求对应点对而提出，后续实例中也讲到FPFH、SPFH概念,详细见Fast .Point Feature Histograms (FPFH) for 3D Registration。类SHOTEstimationOMP是SHOT算子基于OpenMP并行计算算法的实现，其接口详细参考类SHOTEstimation。
PCL 从深度图像中提取NARF特征
qq_38991255的博客
11-28 869
一.关键点的概念  NARF（法线对齐径向特征）关键点是为了从深度图像中识别物体而提出的，关键点探测的重要一步是减少特征提取时的搜索空间，把重点放在重要的结构上，对NARF关键点提取过程有以下要求：①提取的过程必须考虑边缘以及物体表面变化信息在内;②关键点的位置必须稳定的可以被重复探测，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，可以计算描述子和进行唯一的估计法向量。为了满足上述...
点云从入门到精通技术详解100篇-基于三维点云花朵特征提取与分割重建（续）
getusushu的博客
02-02 175
h 值为（0，h1=18）范围内，为百合花花心部分，当 h 值超过 h1 时，便是高度 h。图 3.10 是随高度变化的花半径变化曲线，由图 3.10 亦可知，随着 h 值的不。根据点云坐标的旋转平移变换，确定花朵点云的中心轴及其。性，但是由于花朵点云的初始位置不同，导致在当前所在直角坐标系很难充分的。列的旋转平移变换后，所求得的直径与高度也不完全相同，但是总体来说差别不。由于原始点云数据的初始位置不同，导致不同位置下的直。计学方法进行分析统计，确定最大直径以及最小高度，从而确定花朵点云的中心。
PCL 基于惯性矩与偏心率的描述子进行包围盒提取
自动驾驶行业学习、交流
08-14 1896
1、概述 本例程利用pcl::MomentOfInertiaEstimation类获取基于惯性矩(moment of inertia)与偏心率(eccentricity)的描述子，该类的另一功能是提取有向包围盒OBB(Oriented Bounding Box)和坐标轴对齐包围盒AABB(Axis-Aligned Bounding Box)。但是所提取的有向包围盒常用于物理模型或可视化中用到的碰...
PCL_BoundaryEstimation_Point散乱数据点云边界特征自动提取算法.rar
05-16
PCL_BoundaryEstimation_Point散乱数据点云边界特征自动提取算法
点云的边界提取
06-30
能够将散乱的点云数据边界点及特征点提取出来，并显示。
点云的特征提取
10-13
This paper describes a new method to extract feature lines directly from a surface point cloud. No surface reconstruction is needed in advance, only the inexpensive computation of a neighbor graph connecting nearby points.
PCL 点云特征描述与提取
3D视觉工坊
04-28 6505
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：开着拖拉机唱山歌链接：https://zhuanlan.zhihu.com/p/103219268本文转载自知乎，作者已授权，...
PCL alpha shapes平面点云边界特征提取（C++详细过程版）
点云侠的博客
02-08 2502
为充分了解AlphaShape算法实现的每一个细节和有待改进的地方，使用C++代码对算法实现过程进行复现并对邻域点搜索策略进行优化。
PCL点云特征识别-圆孔特征识别
weixin_44472239的博客
08-26 2636
基于点的特征识别算法相对较少，刚好又需要对项目中的圆孔特征进行滤波，故采取RANSAC和包围盒对圆孔特征进行识别和滤波。
一文读懂PCL可视化，CloudView类、PCLVisualizer可视化类、PCLPlotter可视化方法
weixin_43949950的博客
08-17 3133
PCL可视化点云以及绘图
PCL提取3D点云模型特征（3.0 FPFH快速点特征直方图）附完整代码
McQueen_LT的博客
07-22 4915
一、概述 上一篇博客解释了PFH是什么以及如何利用PFH来提取点云的特征，那么讲了PFH（PCL提取3D点云模型特征（2.0 PFH点特征直方图 ）附完整代码）之后肯定是要接着说FPFH的。本来想着把FPFH的内容和PFH放在一起的，但是感觉如果放在一起写再加上最后的代码（毕竟每篇博客能加代码的我都会把代码贴出来，毕竟talk is cheap, show me your code嘛），就感觉一篇博客的内容就太多了，不仅写起来累，看起来也累，所以就分开吧。 与PFH方法类似，在目前所有网上看到的资料中，都没
研华PCL-720数字量I/O与计数器卡使用指南
"研华PCL-720中文使用手册提供了关于研华PCL-720数采卡的详细技术资料，包括产品介绍、安装与测试、信号连接、例程使用以及问题解决方法。这款板卡具备32路数字量输入、32路数字量输出和3个计数器/定时器通道，适用...
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