二维点云数据拟合直线或曲线方程【sick二维激光雷达测距仪】

已于 2024-09-21 15:34:57 修改
阅读量362 收藏 3
点赞数 1
文章标签： c++
于 2024-09-20 16:55:31 首次发布
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_43798721/article/details/142386624
版权

文章目录

前言

小白一枚，进行实验之前，首先要明确一下思路：

1、为何要进行拟合，首先搞清楚你的需求、你要实现的目标。
2、二维数据拟合成线，首先要做的就是滤波、去除离散点，否则对拟合的效果影响很大。
3、如何拟合单条【本文以直线为例】、拿到它的方程式，并进行可视化展示。
4、若要拟合多条线【本文以直线为例】是否可行？实现思路是怎样的。

一、滤波、去除离散点方法

我比较常用的是条件滤波，去除离散点常用的是StatisticalOutlierRemoval 和 RadiusOutlierRemoval
下面写几个例子，并给出了完整代码：

1、条件滤波：
条件滤波是拿到你给定x\y\z区间内的点云。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <iostream>
#include <vector>
#include <cmath>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/conditional_removal.h>
using namespace std;

int main() {
    // 读取点云文件    20230906_103819.pcd
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("20230906_103603.pcd", *cloud) == -1) {
        std::cerr << "Failed to load the PCD file." << std::endl;
        return (-1);
    }
    std::cout << "Loaded "
        << cloud->width * cloud->height
        << " data points from the PCD file." << std::endl;
    //创建容器保存过滤后的点
    pcl::PointCloud<pcl::PointXYZ>::Ptr conditionCloud(new pcl::PointCloud<pcl::PointXYZ>);
    //创建条件滤波，设置滤波条件
    pcl::ConditionAnd<pcl::PointXYZ>::Ptr rangeCondOrigin(new pcl::ConditionAnd<pcl::PointXYZ>());
    //这里我设置的范围是x从-2到1，y从-0.5到10.0，关于开闭区间，可以自行修改
    rangeCondOrigin->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::GT, -0.5)));
    rangeCondOrigin->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::LT, 10.0)));
    rangeCondOrigin->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::GT, -2)));
    rangeCondOrigin->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::LT, 1)));
    
    // 执行点云移除处理，并将剩下的点添加到 conditionCloud（刚刚创建的容器，现在得到的就是过滤后的点云）
    pcl::ConditionalRemoval<pcl::PointXYZ> condremOrigin(rangeCondOrigin, false);
    condremOrigin.setInputCloud(cloud);
    condremOrigin.setKeepOrganized(false);
    condremOrigin.filter(*conditionCloud);

	//可视化显示过滤后的点云
    pcl::visualization::PCLVisualizer viewer("Point Cloud Viewer");
    viewer.addPointCloud<pcl::PointXYZ>(conditionCloud, "conditionCloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "conditionCloud");
    viewer.setBackgroundColor(0, 0, 0); // 设置背景色为黑色

	while (!viewer.wasStopped()) {
        viewer.spinOnce(100);
    }

    return 0;
}

2、RadiusOutlierRemoval去除离散点
过滤掉不符合搜索半径内邻居点数目的将被过滤掉。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <iostream>
#include <vector>
#include <cmath>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/conditional_removal.h>
using namespace std;

int main() {
    // 读取点云文件    
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("20230906_103603.pcd", *cloud) == -1) {
        std::cerr << "Failed to load the PCD file." << std::endl;
        return (-1);
    }
    
	pcl::RadiusOutlierRemoval<pcl::PointXYZ> sorCloud;  //创建滤波器对象
    sorCloud.setInputCloud(cloud);             //设置待滤波的点云
    sorCloud.setRadiusSearch(0.01);               // 设置搜索半径
    sorCloud.setMinNeighborsInRadius(3);      // 设置一个内点最少的邻居数目

    // 创建一个容器对象来保存滤波后的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr radiusCloud(new pcl::PointCloud<pcl::PointXYZ>);
    sorCloud.filter(*radiusCloud);
    //可视化窗口
    pcl::visualization::PCLVisualizer viewer("Point Cloud Viewer");
    viewer.addPointCloud<pcl::PointXYZ>(radiusCloud, "radiusCloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "radiusCloud");
    viewer.setBackgroundColor(0, 0, 0); // 设置背景色为黑色

	while (!viewer.wasStopped()) {
        viewer.spinOnce(100);
    }
    return 0；
}

二、拟合成线

1、要想拟合效果好，必须滤干净杂点、离散点，我依次使用了半径滤波、条件滤波
2、选择想要拟合的函数的最高阶次数，下面我写的1，目的是拟合一次直线，你也可以根据你的实验需求改成2、3、4、5…

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <iostream>
#include <vector>
#include <cmath>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/conditional_removal.h>
using namespace std;

// 计算给定点集的多项式拟合
Eigen::VectorXd fitPolynomial(const vector<pcl::PointXYZ>& points, int degree)
{
    int n = points.size();
    Eigen::MatrixXd A(n, degree + 1);
    Eigen::VectorXd b(n);

    for (int i = 0; i < n; ++i)
    {
        for (int j = 0; j <= degree; ++j)
        {
            A(i, j) = pow(points[i].x, j);
        }
        b(i) = points[i].y;
    }

    Eigen::VectorXd coeffs = A.colPivHouseholderQr().solve(b);
    return coeffs;
}

int main() {
    // 读取点云文件  
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("20230906_103603.pcd", *cloud) == -1) {
        std::cerr << "Failed to load the PCD file." << std::endl;
        return (-1);
    }
    std::cout << "Loaded "
        << cloud->width * cloud->height
        << " data points from the PCD file." << std::endl;

    //对cloud滤波
      //半径内去除离散点
    pcl::RadiusOutlierRemoval<pcl::PointXYZ> sor;  //创建滤波器对象
    sor.setInputCloud(cloud);             //设置待滤波的点云
    sor.setRadiusSearch(0.008);               // 设置搜索半径
    sor.setMinNeighborsInRadius(3);      // 设置一个内点最少的邻居数目

    // 创建一个容器对象来保存滤波后的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered_last(new pcl::PointCloud<pcl::PointXYZ>);
    sor.filter(*cloud_filtered_last);

    // 创建条件滤波器
    pcl::ConditionAnd<pcl::PointXYZ>::Ptr range_cond(new pcl::ConditionAnd<pcl::PointXYZ>());
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::GT, -0.18)));
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::LT, 0.23)));
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::GT, 0.63)));
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::LT, 1.13)));

    // 执行点云移除处理，并将剩下的点添加到 filtered（过滤后的点云）
    pcl::ConditionalRemoval<pcl::PointXYZ> condrem(range_cond, false);
    condrem.setInputCloud(cloud_filtered_last);
    condrem.setKeepOrganized(false);
    condrem.filter(*cloud_filtered_last);

    // 拟合曲线  可以根据需要调整多项式的阶数或其他参数
    vector<pcl::PointXYZ> filtered_points(cloud_filtered_last->begin(), cloud_filtered_last->end());
    Eigen::VectorXd coeffs = fitPolynomial(filtered_points, 1); // 使用一次多项式拟合，根据需求设置，如果你要拟合2次曲线就改成2

    // 输出拟合的直线系数
    std::cout << "Model coefficients: " << coeffs.transpose() << std::endl;
    double a = coeffs(1); // 斜率
    double b = coeffs(0); // 截距

    // 显示拟合的直线方程
    std::cout << "拟合方程为 y = " << coeffs(1) << "x + " << coeffs(0) << std::endl;
   //可视化过滤后的原始点云
    pcl::visualization::PCLVisualizer viewer("Point Cloud Viewer");
    viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud");
    viewer.setBackgroundColor(0, 0, 0); // 设置背景色为黑色


    // 获取点云的范围
    float minX = cloud_filtered_last->points.front().x;
    float maxX = cloud_filtered_last->points.front().x;
    for (const auto& point : cloud_filtered_last->points) {
        minX = std::min(minX, point.x-1);
        maxX = std::max(maxX, point.x+1);
    }

    // 添加拟合的直线
    pcl::PointXYZ start_point(minX, coeffs(1) * minX + coeffs(0), 0);
    pcl::PointXYZ end_point(maxX, coeffs(1) * maxX + coeffs(0), 0);
    viewer.addLine<pcl::PointXYZ>(start_point, end_point, 1.0, 0.0, 0.0, "fitted_line");

	while (!viewer.wasStopped()) {
        viewer.spinOnce(100);
    }

    return 0;
}

效果如下：
在这里插入图片描述

三、拟合多条线

线是一条一条拟合的，如果说有人说有一种方法说可以一劳永逸、一次性拟合点云中所有的线，那肯定是不靠谱的。

拟合多条线的思路应该是：
1、先把杂点、离散点过滤干净，再设置条件滤波滤出第一条线，拿到这条线后通过代码把点云文件中这条线附近的所有点都给滤掉，对剩余的点进行拟合。
2、对剩余的点去除离散点后进行条件滤波，通过设定条件，对条件内的点进行第二条线的拟合，拟合后再把这条线周围所有的点滤掉，对剩余的点进行拟合。
3、以此类推。。。直到拟合出你想要的效果。

下面我以已经拿到第一条线为前提、如何拟合第二条线为例，写代码如下：

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <iostream>
#include <vector>
#include <cmath>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/filters/conditional_removal.h>
using namespace std;

// 计算给定点集的多项式拟合
Eigen::VectorXd fitPolynomial(const vector<pcl::PointXYZ>& points, int degree)
{
    int n = points.size();
    Eigen::MatrixXd A(n, degree + 1);
    Eigen::VectorXd b(n);

    for (int i = 0; i < n; ++i)
    {
        for (int j = 0; j <= degree; ++j)
        {
            A(i, j) = pow(points[i].x, j);
        }
        b(i) = points[i].y;
    }

    Eigen::VectorXd coeffs = A.colPivHouseholderQr().solve(b);
    return coeffs;
}

// 定义一个函数来检查点是否靠近给定的直线
bool isNearLine(const pcl::PointXYZ& point, double slope, double intercept, double threshold) {
    // 计算点到直线的距离
    double distance = std::abs(point.y - (slope * point.x + intercept)) / std::sqrt(slope * slope + 1);
    return distance <= threshold;
}

int main() {
    // 读取点云文件    20230906_103819.pcd
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("20230906_103603.pcd", *cloud) == -1) {
        std::cerr << "Failed to load the PCD file." << std::endl;
        return (-1);
    }
    std::cout << "Loaded "
        << cloud->width * cloud->height
        << " data points from the PCD file." << std::endl;

    // 直线参数
    double slope = 1.0968;      // 斜率
    double intercept = -1.452976; // 截距
    double threshold = 0.1;    // 阈值

    // 创建一个向量存储要移除的索引
    std::vector<int> indices_to_remove;
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        if (isNearLine(cloud->points[i], slope, intercept, threshold)) {
            indices_to_remove.push_back(i);
        }
    }

    // 创建过滤器对象
    pcl::ExtractIndices<pcl::PointXYZ> extract;
    extract.setInputCloud(cloud);
    extract.setIndices(pcl::IndicesPtr(new std::vector<int>(indices_to_remove)));
    extract.setNegative(true); // 设置为true保留不在索引列表中的点
    pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>);
    extract.filter(*filtered_cloud);

    // 保存过滤后的点云
    pcl::io::savePCDFileASCII("filtered_20230906_103819.pcd", *filtered_cloud);
    std::cout << "钢轴过滤后的点云已保存" << std::endl;

    //对filtered_cloud滤波
      //半径内去除离散点
    pcl::RadiusOutlierRemoval<pcl::PointXYZ> sor;  //创建滤波器对象
    sor.setInputCloud(filtered_cloud);             //设置待滤波的点云
    sor.setRadiusSearch(0.008);               // 设置搜索半径
    sor.setMinNeighborsInRadius(3);      // 设置一个内点最少的邻居数目

    // 创建一个容器对象来保存滤波后的点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered_last(new pcl::PointCloud<pcl::PointXYZ>);
    sor.filter(*cloud_filtered_last);

    // 创建条件滤波器
    pcl::ConditionAnd<pcl::PointXYZ>::Ptr range_cond(new pcl::ConditionAnd<pcl::PointXYZ>());
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::GT, -0.18)));
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("y", pcl::ComparisonOps::LT, 0.23)));
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::GT, 0.63)));
    range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("x", pcl::ComparisonOps::LT, 1.13)));

    // 执行点云移除处理，并将剩下的点添加到 filtered（过滤后的点云）
    pcl::ConditionalRemoval<pcl::PointXYZ> condrem(range_cond, false);
    condrem.setInputCloud(cloud_filtered_last);
    condrem.setKeepOrganized(false);
    condrem.filter(*cloud_filtered_last);

    // 拟合曲线  可以根据需要调整多项式的阶数或其他参数
    vector<pcl::PointXYZ> filtered_points(cloud_filtered_last->begin(), cloud_filtered_last->end());
    Eigen::VectorXd coeffs = fitPolynomial(filtered_points, 1); // 使用一次多项式拟合


    // 输出拟合的直线系数
    std::cout << "Model coefficients: " << coeffs.transpose() << std::endl;
    double a = coeffs(1); // 斜率
    double b = coeffs(0); // 截距
   

    // 显示拟合的直线方程
    std::cout << "固定方程为：y = 1.0968x - 1.452976" << std::endl;
    std::cout << "拟合方程为 y = " << coeffs(1) << "x + " << coeffs(0) << std::endl;

    //拟合直线方程为y=coeffs(1)x+coeffs(0)

    //可视化过滤后的原始点云 
    pcl::visualization::PCLVisualizer viewer("Point Cloud Viewer");
    viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "cloud");
    viewer.setBackgroundColor(0, 0, 0); // 设置背景色为黑色


    // 获取点云的范围
    float minX = cloud_filtered_last->points.front().x;
    float maxX = cloud_filtered_last->points.front().x;
    for (const auto& point : cloud_filtered_last->points) {
        minX = std::min(minX, point.x-1);
        maxX = std::max(maxX, point.x+1);
    }
    
    // 添加拟合的直线
    pcl::PointXYZ start_point(minX, coeffs(1) * minX + coeffs(0), 0);
    pcl::PointXYZ end_point(maxX, coeffs(1) * maxX + coeffs(0), 0);
    viewer.addLine<pcl::PointXYZ>(start_point, end_point, 1.0, 0.0, 0.0, "fitted_line");

    // 添加另一条直线 y = 1.0968x - 1.452976
    pcl::PointXYZ second_start_point(minX, 1.0968 * minX - 1.452976, 0);
    pcl::PointXYZ second_end_point(maxX, 1.0968 * maxX - 1.452976, 0);
    viewer.addLine<pcl::PointXYZ>(second_start_point, second_end_point, 0.0, 1.0, 0.0, "second_line");

	while (!viewer.wasStopped()) {
        viewer.spinOnce(100);
    }

    return 0;
}

效果如下：
在这里插入图片描述

上官猪猪
关注
Python点云处理（十一）点云二维直线拟合
weixin_43894929的博客
08-22 3924
点云直线拟合是一项重要的技术，在点云数据处理中具有广泛的应用。针对不同的任务需求和数据特点，可以选择合适的算法进行点云直线拟合。RANSAC算法和Hough变换算法适用于存在离群点或噪声的场景，PCA算法适用于提取多个直线的场景，最小二乘法计算效率较高。在实际应用中，根据具体情况选择合适的算法，可以提高直线拟合的精度和效率。
Open3D——RANSAC 三维点云空间直线拟合
点云侠的博客
09-07 6343
使用RANSAC算法在点云数据中拟合三维空间直线的python代码实现。
《点云处理》 拟合直线
最新发布
dyk4ever的博客
12-17 1443
点云处理之拟合直线
点云空间直线拟合（最小二乘法）
WangZhiqiang9285的博客
08-17 1836
【代码】点云空间直线拟合（最小二乘法）
《自动驾驶与机器人中的SLAM技术》之三维空间点云直线拟合
weixin_45055461的博客
10-25 258
高博的新作《自动驾驶与机器人中的SLAM技术》中提出了一个点云直线拟合的问题，其中的直线方程以及最小二乘目标函数的引出有点突兀（P185-186），这里记录一下理解过程。
点云拟合直线轨迹（CloudComapre+PCL）
weixin_52047565的博客
03-07 1864
使用PCL实现点云的直线拟合，提取距离拟合直线阈值内的点，并在cloudcompare中进行显示，
matlab三维点云数据拟合二次曲面
10-26
3. 拟合模型：使用`fit`函数拟合数据，如`fitSurface = fit([points(:,1) points(:,2)], points(:,3), model)`，这将返回一个拟合对象。 4. 计算预测值：使用拟合对象的`predict`方法计算所有点的预测z值，例如`...
不同滤波方法对二维激光雷达点云数据处理的影响.pdf
08-15
"不同滤波方法对二维激光雷达点云数据处理的影响" 本文主要讨论了二维激光雷达点云数据处理中不同滤波方法的影响，探讨了线性最小二乘滤波、移动平均滤波、中值滤波、Savitzky-Golay滤波等方法对点云数据的平滑处理...
Pointcloud-to-Images:一种将三维激光点云数据投影到序列化二维图像中的算法
05-15
一种将三维激光点云数据投影到序列化二维图像中的算法。 作者：古峰 介绍 在点云数据的中心或数据的收集轨迹上选择一个视点。 然后，该算法将3D点云数据投影到与以视点为中心的不同视角相对应的平面上。 然后使用三...
10 Halcon 点云空间拟合直线.zip
07-28
Hi~ 可私信我了解后再进行下载~ 1.基于halcon算法平台； 2.提供深度图源文件以及解压密码； 3.代码预览： */******************************************************************************** * @文档名称: 3D点云拟合直线。 * @作者: hugo * @版本: 1.1 * @日期: 2021-7-26 * @描述: 该方法支持3DROI创建以及点云拟合直线。 * @来源：欢迎关注gzh robotvision+ 获取更多机器人视觉知识。 ********************************************************************************/ dev_get_window( WindowHandle) read_image (imageReal, './replay_38893_2021-6-7.tif') xResolution:=0.06 yResolution:=0.06 zResolution:=0.001 ScaleFactor:=[xResolution,yResolution,zResolution] *深度图装点云 IntensityImageToPiontsCloudImage_0 (imageReal, ScaleFactor, 1, ObjectModel3D, scale) * 点云滤波 NumNeighbors := 25 get_object_model_3d_params (ObjectModel3D, 'neighbor_distance ' + NumNeighbors, DistanceDistribution) InlierRate := 70 ..... stop () dev_set_color ('yellow') get_drawing_object_params (DrawID, ['row','column','phi','length1','length2'], GenParamValue) gen_rectangle2 (Rectangle,GenParamValue[0], GenParamValue[1], GenParamValue[2], GenParamValue[3], GenParamValue[4]) detach_drawing_object_from_window (WindowHandle, DrawID) *生成3DROI gen_3d_line (Rectangle, Triangulated, CameraParam, Pose, scale, WindowHandle, ObjectModel3DThresholdedFast, GenParamValue, m_vloumn)
Open3D点云数据处理（二十）：最小二乘直线拟合（三维）
孙悟空
08-18 4074
本文主要讲述：三维空间下最小二乘直线拟合原理与代码实现、直线拟合的评估指标（残差平方和、均方误差、均方根误差、平均绝对误差、决定系数），给出了各种评估指标的代码实现。
使用Open3D进行三维点云空间直线拟合
.
03-31 750
在处理三维点云时，很多场景都需要对点云数据进行拟合，以求出一些特征，例如平面、球体、柱体等等。其中distance_threshold参数指定了点云到直线距离的最大值，ransac_n参数指定了随机采样的点数，num_iterations参数指定了RANSAC算法迭代的次数。除了空间直线拟合，Open3D还提供了许多其他的点云拟合算法，包括平面拟合、球体拟合、圆柱体拟合等等。最后的可视化代码将点云和拟合出的直线同时展示，其中inliers表示属于直线的点云，outliers表示不属于直线的点云。
Python点云处理（十）点云三维直线拟合
weixin_43894929的博客
08-19 4050
点云直线拟合是一项重要的技术，在点云数据处理中具有广泛的应用。针对不同的任务需求和数据特点，可以选择合适的算法进行点云直线拟合。RANSAC算法和Hough变换算法适用于存在离群点或噪声的场景，PCA算法适用于提取多个直线的场景。在实际应用中，根据具体情况选择合适的算法，可以提高直线拟合的精度和效率。
点云最小二乘法拟合直线
dayuhaitang1的博客
04-03 1687
文章目录一、引言二、实现代码三、实现效果 一、引言 这里我们就不再进行公式的推导过程，因为在上一篇文章中点云最小二乘法拟合空间直线已经进行了相关的推导，虽然他是三维空间直线，但由于是点向式的关系，所以推导过程仍适用于二维甚至是更高维度，那么就可以借助这篇文章最后的结论来进行拟合二维直系，即质心+第一特征向量即为最佳拟合直线。 二、实现代码 LineFit.m %最小二乘法空间直线拟合 clear close all; clc %获取地面点云数据 [fileName,pathName]=uigetf
PCL 点云投影到拟合直线
点云侠的博客
10-27 1020
首先使用RANSAC拟合直线，获取直线的参数；然后将点云投影到拟合直线。
点云最小二乘法拟合空间直线
dayuhaitang1的博客
04-02 1382
文章目录一、原理概述 一、原理概述 三维中的直线不同于二维中的直线，它不能被写作ax+by+cz+d=0ax+by+cz+d=0ax+by+cz+d=0的形式，因为这在三维空间中是个平面的表达式，那么三维空间中的直线表达式一般为两个平面的联立，但是这样也相对复杂。这里我们采用点向式直线的表达式来进行直线拟合过程。 点向式方程： x−x0a=y−y0b=z−z0c \frac{x-x_0}{a}=\frac{y-y_0}{b}=\frac{z-z_0}{c}ax−x0​​=by−y0​​=cz−z0​​
Open3D 点云最小二乘法拟合空间直线
dayuhaitang1的博客
08-16 1033
Open3D 点云最小二乘法拟合空间直线
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