PCL 求解点云的PCA

最新推荐文章于 2024-07-21 18:03:32 发布

Rain-jay

最新推荐文章于 2024-07-21 18:03:32 发布

阅读量736

点赞数 1

分类专栏：三维重建文章标签：算法

本文链接：https://blog.csdn.net/weixin_43236428/article/details/115729790

版权

三维重建专栏收录该内容

12 篇文章 13 订阅

订阅专栏

这段代码展示了如何在PCL（Point Cloud Library）中使用KdTree进行邻域搜索，并基于搜索结果计算PCA（主成分分析）。首先，设置搜索半径，然后对每个点进行邻域查找，找到邻域内的点并构建新的点云。接着，计算邻域点云的3D质心和协方差矩阵，进一步求解PCA得到特征向量和特征值。这段代码主要用于点云数据的降维和特征提取。

摘要由CSDN通过智能技术生成

void Example::get_pca(pcl::PointCloud<PointType>::Ptr cloud)
{
    size_t vn = cloud->size();
    float radius = 0.5;

    pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
    kdtree.setInputCloud(cloud);
#pragma omp parallel  
    {
#pragma omp for
        for (int i = 0; i < vn; i++)
        {
            // Neighbors within radius search
            std::vector<int> IdxRadiusSearch;
            std::vector<float> RadiusSquaredDistance;
            PointType searchPoint = cloud->at(i);            
            kdtree.radiusSearch(searchPoint, radius, IdxRadiusSearch, RadiusSquaredDistance);

            // radius cloud
            pcl::PointCloud<PointType>::Ptr k_nei_cloud(new pcl::PointCloud<PointType>);
            for (size_t j = 0; j < IdxRadiusSearch.size(); j++)
            {
                PointType point_knn;
                point_knn.x = cloud->at(IdxRadiusSearch[j]).x;
                point_knn.y = cloud->at(IdxRadiusSearch[j]).y;
                point_knn.z = cloud->at(IdxRadiusSearch[j]).z;
                k_nei_cloud->push_back(point_knn);
            }

            / input neighbors cloud, compute minimum variance
            Eigen::Vector4f pcaCentroid;
            pcl::compute3DCentroid(*k_nei_cloud, pcaCentroid);
            Eigen::Matrix3f covariance;
            pcl::computeCovarianceMatrixNormalized(*k_nei_cloud, pcaCentroid, covariance);
            Eigen::SelfAdjointEigenSolver<Eigen::Matrix3f> eigen_solver(covariance, Eigen::ComputeEigenvectors);
            Eigen::Matrix3f eigenVectorsPCA = eigen_solver.eigenvectors();
            Eigen::Vector3f eigenValuesPCA = eigen_solver.eigenvalues();
        }
    }
}