PCL 常用小知识

时间计算

pcl中计算程序运行时间有很多函数，其中利用控制台的时间计算

首先必须包含头文件 #include <pcl/console/time.h>

1 2 3 4 5 6

#include <pcl/console/time.h>   pcl::console::TicToc time; time.tic(); //程序段 cout<<time.toc()/1000<<"s"<<endl;

pcl::PointCloud::Ptr和pcl::PointCloud的两个类相互转换

1 2 3 4 5 6 7 8

#include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/point_cloud.h>    pcl::PointCloud<pcl::PointXYZ>::Ptr cloudPointer(new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ> cloud; cloud = *cloudPointer; cloudPointer = cloud.makeShared();

查找点云的x，y，z的极值

1 2 3 4 5 6 7

#include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/common/common.h><br> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ> ("your_pcd_file.pcd", *cloud); pcl::PointXYZ minPt, maxPt; pcl::getMinMax3D (*cloud, minPt, maxPt);

如果知道需要保存点的索引，如何从原点云中拷贝点到新点云？

1 2 3 4 5 6 7 8 9 10

#include <pcl/io/pcd_io.h> #include <pcl/common/impl/io.hpp> #include <pcl/point_types.h> #include <pcl/point_cloud.h>    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ>("C:\office3-after21111.pcd", *cloud); pcl::PointCloud<pcl::PointXYZ>::Ptr cloudOut(new pcl::PointCloud<pcl::PointXYZ>); std::vector<int > indexs = { 1, 2, 5 }; pcl::copyPointCloud(*cloud, indexs, *cloudOut);

取已知索引之外的点云

1 2 3 4 5 6 7 8 9 10

pcl::PointIndices::Ptr inliers(new pcl::PointIndices); inliers->indices = pointIdxRadiusSearchMap; //已知索引的index std::vector<int> pointIdxRadiusSearchMap;   pcl::ExtractIndices<pcl::PointXYZ> extract; extract.setInputCloud(_laser3d_map); extract.setIndices(inliers);                 extract.setNegative(true);  //false: 筛选Index对应的点，true：过滤获取Index之外的点                extract.filter(*map_3d_2);

如何从点云里删除和添加点？

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

#include <pcl/io/pcd_io.h> #include <pcl/common/impl/io.hpp> #include <pcl/point_types.h> #include <pcl/point_cloud.h>    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYZ>("C:\office3-after21111.pcd", *cloud); pcl::PointCloud<pcl::PointXYZ>::iterator index = cloud->begin(); cloud->erase(index);//删除第一个 index = cloud->begin() + 5; cloud->erase(cloud->begin());//删除第5个 pcl::PointXYZ point = { 1, 1, 1 }; //在索引号为5的位置1上插入一点，原来的点后移一位 cloud->insert(cloud->begin() + 5, point); cloud->push_back(point);//从点云最后面插入一点 std::cout << cloud->points[5].x;//输出1

如果删除的点太多建议用上面的方法拷贝到新点云，再赋值给原点云，如果要添加很多点，建议先resize，然后用循环向点云里的添加。

如何对点云进行全局或局部变换

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

#include <pcl/io/pcd_io.h> #include <pcl/common/impl/io.hpp> #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/common/transforms.h>   pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile("path/.pcd",*cloud); //全局变化  //构造变化矩阵 Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity(); float theta = M_PI/4;   //旋转的度数，这里是45度 transform_1 (0,0) = cos (theta);  //这里是绕的Z轴旋转 transform_1 (0,1) = -sin(theta); transform_1 (1,0) = sin (theta); transform_1 (1,1) = cos (theta);          //transform_1 (0,2) = 0.3;   //这样会产生缩放效果 //transform_1 (1,2) = 0.6; // transform_1 (2,2) = 1;   transform_1 (0,3) = 25; //这里沿X轴平移 transform_1 (1,3) = 30; transform_1 (2,3) = 380; pcl::PointCloud<pcl::PointXYZ>::Ptr transform_cloud1 (new pcl::PointCloud<pcl::PointXYZ>); pcl::transformPointCloud(*cloud,*transform_cloud1,transform_1);  //不言而喻

1	//第一个参数为输入，第二个参数为输入点云中部分点集索引，第三个为存储对象，第四个是变换矩阵pcl::transformPointCloud(*cloud,pcl::PointIndices indices,*transform_cloud1,matrix);

链接两个点云字段（两点云大小必须相同）

1 2 3 4 5 6 7 8 9 10 11 12 13

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile("/home/yxg/pcl/pcd/mid.pcd",*cloud); pcl::NormalEstimation<pcl::PointXYZ,pcl::Normal> ne; ne.setInputCloud(cloud); pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>()); ne.setSearchMethod(tree); pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>()); ne.setKSearch(8);   //ne.setRadisuSearch(0.3); ne.compute(*cloud_normals);    pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_nomal (new pcl::PointCloud<pcl::PointNormal>); pcl::concatenateFields(*cloud,*cloud_normals,*cloud_with_nomal);

删除无效点

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

#include <pcl/point_cloud.h> #include <pcl/point_types.h> #include <pcl/filters/filter.h> #include <pcl/io/pcd_io.h>       using namespace std; typedef pcl::PointXYZRGBA point; typedef pcl::PointCloud<point> CloudType;       int main (int argc,char **argv) {     CloudType::Ptr cloud (new CloudType);     CloudType::Ptr output (new CloudType);            pcl::io::loadPCDFile(argv[1],*cloud);      cout<<"size is:"<<cloud->size()<<endl;                    vector<int> indices;      pcl::removeNaNFromPointCloud(*cloud,*output,indices);      cout<<"output size:"<<output->size()<<endl;                    pcl::io::savePCDFile("out.pcd",*output);      return 0; }

xyzrgb格式转换为xyz格式的点云

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

#include <pcl/io/pcd_io.h> #include <ctime> #include <Eigen/Core> #include <pcl/point_types.h> #include <pcl/point_cloud.h>   using namespace std; typedef pcl::PointXYZ point; typedef pcl::PointXYZRGBA pointcolor;   int main(int argc,char **argv) {         pcl::PointCloud<pointcolor>::Ptr input (new pcl::PointCloud<pointcolor>);         pcl::io::loadPCDFile(argv[1],*input);                     pcl::PointCloud<point>::Ptr output (new pcl::PointCloud<point>);         int M = input->points.size();         cout<<"input size is:"<<M<<endl;           for (int i = 0;i <M;i++)         {                 point p;                 p.x = input->points[i].x;                 p.y = input->points[i].y;                 p.z = input->points[i].z;                 output->points.push_back(p);         }         output->width = 1;         output->height = M;                   cout<< "size is"<<output->size()<<endl;         pcl::io::savePCDFile("output.pcd",*output);   }

flann kdtree 查询k近邻

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

//平均密度计算 pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;  //创建一个快速k近邻查询,查询的时候若该点在点云中，则第一个近邻点是其本身   kdtree.setInputCloud(cloud); int k =2; float everagedistance =0; for (int i =0; i < cloud->size()/2;i++) {    vector<int> nnh ;    vector<float> squaredistance;             //pcl::PointXYZ p;    //p = cloud->points[i];    kdtree.nearestKSearch(cloud->points[i],k,nnh,squaredistance);    everagedistance += sqrt(squaredistance[1]);    //cout<<everagedistance<<endl; }   everagedistance = everagedistance/(cloud->size()/2); cout<<"everage distance is : "<<everagedistance<<endl;

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

#include <pcl/kdtree/kdtree_flann.h>   pcl::KdTreeFLANN<pcl::PointXYZ> kdtree; //创建KDtree kdtree.setInputCloud (in_cloud);   pcl::PointXYZ searchPoint; //创建目标点，（搜索该点的近邻） searchPoint.x = 1; searchPoint.y = 2; searchPoint.z = 3;   //查询近邻点的个数  int k = 10; //近邻点的个数 std::vector<int> pointIdxNKNSearch(k); //存储近邻点集的索引 std::vector<float>pointNKNSquareDistance(k); //近邻点集的距离  if (kdtree.nearestKSearch(searchPoint,k,pointIdxNKNSearch,pointNKNSquareDistance)>0) {        for (size_t i = 0; i < pointIdxNKNSearch.size (); ++i)              std::cout << "    "  <<   in_cloud->points[ pointIdxNKNSearch[i] ].x                             << " " << in_cloud->points[ pointIdxNKNSearch[i] ].y                             << " " <<in_cloud->points[ pointIdxNKNSearch[i] ].z                            << " (squared distance: " <<pointNKNSquareDistance[i] << ")<<std::endl; }   //半径为r的近邻点 float radius = 40.0f;  //其实是求的40*40距离范围内的点 std::vector<int> pointIdxRadiusSearch;  //存储的对应的平方距离 std::vector<float> a; if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, a) > 0 ) {       for (size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)               std::cout << "    "  <<   in_cloud->points[ pointIdxRadiusSearch[i] ].x                             << " " <<in_cloud->points[ pointIdxRadiusSearch[i] ].y                             << " " << in_cloud->points[ pointIdxRadiusSearch[i] ].z                             << " (squared distance: " <<a[i] << ")" << std::endl; }

关于ply文件

后缀命名为.ply格式文件，常用的点云数据文件。ply文件不仅可以存储点数据，而且可以存储网格数据. 用emacs打开一个ply文件，观察表头，如果表头element face的值为0,则表示该文件为点云文件，如果element face的值为某一正整数N，则表示该文件为网格文件，且包含N个网格.所以利用pcl读取 ply 文件，不能一味用pcl::PointCloud<PointT>::Ptr cloud (new pcl::PointCloud<PintT>)来读取。在读取ply文件时候，首先要分清该文件是点云还是网格类文件。如果是点云文件，则按照一般的点云类去读取即可，官网例子,就是这样。如果ply文件是网格类，则需要

1 2 3

pcl::PolygonMesh mesh; pcl::io::loadPLYFile(argv[1],mesh); pcl::io::savePLYFile("result.ply", mesh);

读取。（官网例子之所以能成功，是因为它对模型进行了细分处理，使得网格变成了点）

计算点的索引

例如sift算法中，pcl无法直接提供索引（主要原因是sift点是通过计算出来的，在某些不同参数下，sift点可能并非源数据中的点，而是某些点的近似），若要获取索引，则可利用以下函数：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

void getIndices (pointcloud::Ptr cloudin, pointcloud keypoints, pcl::PointIndices::Ptr indices) {     pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;     kdtree.setInputCloud(cloudin);     std::vector<float>pointNKNSquareDistance; //近邻点集的距离     std::vector<int> pointIdxNKNSearch;       for (size_t i =0; i < keypoints.size();i++)     {         kdtree.nearestKSearch(keypoints.points[i],1,pointIdxNKNSearch,pointNKNSquareDistance);         // cout<<"the distance is:"<<pointNKNSquareDistance[0]<<endl;         // cout<<"the indieces is:"<<pointIdxNKNSearch[0]<<endl;                           indices->indices.push_back(pointIdxNKNSearch[0]);                      }   }

其思想就是：将原始数据插入到flann的kdtree中，寻找keypoints的最近邻，如果距离等于0,则说明是同一点，提取索引即可.

计算质心

1 2	Eigen::Vector4f centroid;  //质心 pcl::compute3DCentroid(*cloud_smoothed,centroid); //估计质心的坐标

从网格提取顶点（将网格转化为点）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

#include <pcl/io/io.h> #include <pcl/io/pcd_io.h> #include <pcl/io/obj_io.h> #include <pcl/PolygonMesh.h> #include <pcl/point_cloud.h> #include <pcl/io/vtk_lib_io.h>//loadPolygonFileOBJ所属头文件； #include <pcl/io/vtk_io.h> #include <pcl/io/ply_io.h> #include <pcl/point_types.h> using namespace pcl; <br>int main(int argc,char **argv) {         pcl::PolygonMesh mesh;         //pcl::io::loadPolygonFileOBJ(argv[1], mesh);         pcl::io::loadPLYFile(argv[1],mesh);         pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);         pcl::fromPCLPointCloud2(mesh.cloud, *cloud);         pcl::io::savePCDFileASCII("result.pcd", *cloud); return 0; }

以上代码可以从.obj或.ply面片格式转化为点云类型。