点云分割入门级实例

Lidar系列文章

传感器融合是将多个传感器采集的数据进行融合处理，以更好感知周围环境；这里首先介绍激光雷达的相关内容，包括激光雷达基本介绍（本节内容），激光点云数据处理方法（点云数据显示，点云分割，点云聚类，障碍物识别实例）等。

系列文章目录

1. 激光雷达基本介绍
2. 激光点云数据显示
3. 基于RANSAC的激光点云分割
4. 点云分割入门级实例学习
5. 激光点云目标物聚类
6. 基于PCL实现欧式聚类提取
7. 激光雷达障碍物识别

---

基于PCL实现平面模型分割

本小节主要介绍如何对一组点云数据做一个简单的平面分割。

#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/sample_consensus/method_types.h> //随机参数估计方法头文件
#include <pcl/sample_consensus/model_types.h> //模型定义头文件
#include <pcl/segmentation/sac_segmentation.h> //基于采样一致性分割的类的头文件
int main (int argc, char** argv)
{
   
  //1.创建包含局外点的点云数据，然后在屏幕上打印这些点的坐标值。
  pcl::PointCloud<pcl::PointXYZ> cloud;
  //填充点云数据，设置点云宽度为15，高度为1，即为无序点云
  cloud.width  = 15;
  cloud.height = 1;
  cloud.points.resize (cloud.width * cloud.height);
  //生成数据，采用随机数填充点云的x，y坐标，但都处于z=1.0的平面上
  for (size_t i = 0; i < cloud.points.size (); ++i)
  {
   
    cloud.points[i].x = 1024 * rand () / (RAND_MAX + 1.0f);
    cloud.points[i].y = 1024 * rand () / (RAND_MAX + 1.0f);
    cloud.points[i].z = 1.0;
  }
  //设置几个局外点，即重新设置几个点z值，使其偏离在z=1.0的平面
  cloud.points[0].z = 2.0;
  cloud.points[3].z = -2.0;
  cloud.points[6].z = 4.0;
  //在标准输出上打印出点云中各点的坐标值，方便分割后的参考。
  std::cerr << "Point cloud data: " << cloud.points.size () <<" points" << std::endl;
  for (size_t i = 0; i < cloud.points.size (); ++i)
    std::cerr << "    " << cloud.points[i].x << " " 
<< cloud.points[i].y << " " 
<< cloud.points[i].z << std::endl;

  //2.创建随机采样一致性分割对象，设置模型类型和随机采样一致性方法类型，并设定“距离阈值”