demo演示
一、项目地址
github链接:FastGlobalRegistration
论文地址:FastGlobalRegistration论文
二、复现流程
1、下载源码,如下图所示
2、找到以下文件夹中.cpp与.h文件,在FastGlobalRegistration /sources / FastGlobalRegistration文件夹中。并拷贝到新的工程中。
3、vs新建工程,将上面的代码添加到工程中,并且将pcl相关属性也添加到项目中。如下图所示,其中evaluation为评价相关代码,可不添加。
添加pcl属性则不需要添加额外的eigen库和flann库,用pcl自带的,后面也方便后续更改。
4、代码测试
依据main函数中相关代码,设置好相关参数,其中argv[1]、argv[2]表示计算万特征描述子后的feature.bin文件,argv[3]设置为输出的txt格式文件。如下所示:
5、效果展示;
原始两片点云:
配准后:
可以看出,配准效果非常好,按照论文所述,配准时长也非常快。
三、数据集测试
1、由于项目中需要输入的是计算好的FPFH文件,需要先把FPFH文件计算出来,然后进行保存,在读取操作,这一过程非常耗时。所以我们需要更改原有代码,利用PCL实时计算并配准。
只需要将FPFH保存在读取操作换成直接计算完FPFH特征描述子后直接读取运行。即将下图1代码换成图2
更改代码如下:
for (int v = 0; v < cloud_src->size(); v++)
{
const pcl::PointXYZ &pt = cloud_src->points[v];
//float xyz[3] = { pt.x,pt.y,pt.z };
pts1.push_back(Eigen::Vector3f(pt.x,pt.y,pt.z));
const pcl::FPFHSignature33 feature = fpfh_src->points[v];
Eigen::VectorXf feat_v(33);
for (int i = 0; i < 33; i++)
feat_v[i] = feature.histogram[i];
feat1.push_back(feat_v);
}
2、配准效果
蓝色为配准后的点云,效果还是比较好的。
后续
后续相关demo也会集成到QT+PCL中。
open3d+python相关代码:fast global registration 的python实现