PCL学习：基于点云分类的目标识别

最新推荐文章于 2024-08-15 07:01:34 发布

JoannaJuanCV

最新推荐文章于 2024-08-15 07:01:34 发布

阅读量9.3k

点赞数 9

分类专栏： PCL学习

本文链接：https://blog.csdn.net/zfjBIT/article/details/93046902

版权

PCL学习专栏收录该内容

80 篇文章 134 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了基于PCL库的点云分类和目标识别过程，包括点云下采样、描述子计算、KdTreeFLANN搜索、对应点聚类算法以及模型变换矩阵的获取。在执行过程中，提到了处理点云数据的注意事项，并提供了两种不同的执行方式：GC方式和Hough方式，用于提高识别准确性和排除误识别。

摘要由CSDN通过智能技术生成

代码说明：

1. 对模型点云、场景点云分别进行下采样，得到稀疏关键点；

2. 对模型点云、场景点云关键点，分别计算描述子；

3. 利用KdTreeFLANN搜索对应点对；

4. 使用【对应点聚类算法】将【对应点对】聚类为待识别模型；

5. 返回识别到的每一个模型的变换矩阵（旋转矩阵+平移矩阵），以及对应点对聚类结果

#include <pcl/io/pcd_io.h>
#include <pcl/point_cloud.h>
#include <pcl/correspondence.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/features/shot_omp.h>
#include <pcl/features/board.h>
#include <pcl/keypoints/uniform_sampling.h>
#include <pcl/recognition/cg/hough_3d.h>
#include <pcl/recognition/cg/geometric_consistency.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/kdtree/kdtre

了解本专栏