博文末尾支持二维码赞赏哦
我们都知道在二维图像上，有Harris、SIFT、SURF、KAZE这样的关键点提取算法， 这种特征点的思想可以推广到三维空间。 关键点的数量相比于原始点云或图像的数据量减小很多，与局部特征描述子结合在一起， 组成 关键点描述子 常用来形成原始数据的表示，而且不失代表性和描述性， 从而加快了后续的识别，追踪等对数据的处理了速度， 故而，关键点技术成为在2D和3D 信息处理中非常关键的技术。 常见的三维点云关键点提取算法有一下几种：ISS3D、Harris3D、NARF、SIFT3D 这些算法在PCL库中都有实现，其中NARF算法是博主见过用的比较多的。 PCL—低层次视觉—关键点检测 关键点检测往往需要和特征提取联合在一起，关键点检测的一个重要性质就是旋转不变性， 也就是说，物体旋转后还能够检测出对应的关键点。不过说实话我觉的这个要求对机器人视觉来说是比较鸡肋的。 因为机器人采集到的三维点云并不是一个完整的物体，没哪个相机有透视功能。 机器人采集到的点云也只是一层薄薄的蒙皮。所谓的特征点又往往在变化剧烈的曲面区域， 那么从不同的视角来看，变化剧烈的曲面区域很难提取到同样的关键点。 想象一下一个人的面部，正面的时候鼻尖可以作为关键点，但是侧面的时候呢？ 会有一部分面部在阴影中，模型和之前可能就完全不一样了。 也就是说现在这些关键点检测算法针对场景中较远的物体， 也就是物体旋转带来的影响被距离减弱的情况下，是好用的。 一旦距离近了，旋转往往造成捕获的仅有模型的侧面，关键点检测算法就有可能失效。 --------------------------------------------------------------------------- ISS算法的全程是Intrinsic Shape Signatures，第一个词叫做内部，这个词挺有讲究。 说内部，那必然要有个范围，具体是什么东西的范围还暂定。 如果说要描述一个点周围的局部特征，而且这个物体在全局坐标下还可能移动， 那么有一个好方法就是在这个点周围建立一个局部坐标。 只要保证这个局部坐标系也随着物体旋转就好。 方法1.基于协方差矩阵 协方差矩阵的思想其实很简单，实际上它是一种耦合，把两个步骤耦合在了一起 1.把pi和周围点pj的坐标相减：本质上这生成了许多从pi->pj的向量， 理想情况下pi的法线应该是垂直于这些向量的 2.利用奇异值分解求这些向量的0空间，拟合出一个尽可能垂直的向量，作为法线的估计 协方差矩阵本质是啥？就是奇异值分解中的一个步骤。。。。 奇异值分解是需要矩阵乘以自身的转置从而得到对称矩阵的。 当然，用协方差计算的好处是可以给不同距离的点附上不同的权重。 方法2.基于齐次坐标 1.把点的坐标转为齐次坐标 2.对其次坐标进行奇异值分解 3.最小奇异值对应的向量就是拟合平面的方程 4.方程的系数就是法线的方向。 显然，这种方法更加简单粗暴，省去了权重的概念，但是换来了运算速度，不需要反复做减法。 其实本来也不需要反复做减法，做一个点之间向量的检索表就好。。。 但是我要声明PCL的实现是利用反复减法的。 都会有三个相互垂直的向量，一个是法线方向，另外两个方向与之构成了在某点的局部坐标系。 在此局部坐标系内进行建模，就可以达到点云特征旋转不变的目的了。 ISS特征点检测的思想也甚是简单： 1.利用方法1建立模型 2.其利用特征值之间关系来形容该点的特征程度。 显然这种情况下的特征值是有几何意义的，特征值的大小实际上是椭球轴的长度。 椭球的的形态则是对邻近点分布状态的抽象总结。 试想，如果临近点沿某个方向分布致密则该方向会作为椭球的第一主方向， 稀疏的方向则是第二主方向，法线方向当然是极度稀疏（只有一层），那么则作为第三主方向。 如果某个点恰好处于角点，则第一主特征值，第二主特征值，第三主特征值大小相差不会太大。 如果点云沿着某方向致密，而垂直方向系数则有可能是边界。 总而言之，这种局部坐标系建模分析的方法是基于特征值分析的特征点提取。 ----------------------------------------------------------------------- Trajkovic关键点检测算法 角点的一个重要特征就是法线方向和周围的点存在不同， 而本算法的思想就是和相邻点的法线方向进行对比，判定法线方向差异的阈值， 最终决定某点是否是角点。并且需要注意的是，本方法所针对的点云应该只是有序点云。 本方法的优点是快，缺点是对噪声敏感。 手头没有有序点云，不做测试了。 除去NARF这种和特征检测联系比较紧密的方法外，一般来说特征检测都会对曲率变化比较剧烈的点更敏感。 Harris算法是图像检测识别算法中非常重要的一个算法，其对物体姿态变化鲁棒性好， 对旋转不敏感，可以很好的检测出物体的角点。 甚至对于标定算法而言，HARRIS角点检测是使之能成功进行的基础。 HARRIS算法的思想还是很有意思的。很聪明也很trick. -------------------------------------------------------------------- Harris 算法 其思想及数学推导大致如下： 1.在图像中取一个窗 w (矩形窗，高斯窗，XX窗，各种窗， 某师姐要改标定算法不就可以从选Harris的窗开始做起么） 2.获得在该窗下的灰度 I 3.移动该窗，则灰度会发生变化，平坦区域灰度变化不大， 边缘区域沿边缘方向灰度变化剧烈，角点处各个方向灰度变化均剧烈 4.依据3中条件选出角点 1.两个特征值都很大==========>角点（两个响应方向） 2.一个特征值很大，一个很小=====>边缘（只有一个响应方向） 3.两个特征值都小============>平原地区（响应都很微弱） --------------------------------------------------------------------------- 3DHarris 方块体内点数量变化确定角点 在2DHarris里，我们使用了 图像梯度构成的 协方差矩阵。 图像梯度。。。嗯。。。。每个像素点都有一个梯度， 在一阶信息量的情况下描述了两个相邻像素的关系。显然这个思想可以轻易的移植到点云上来。 想象一下，如果在 点云中存在一点p 1、在p上建立一个局部坐标系：z方向是法线方向，x,y方向和z垂直。 2、在p上建立一个小正方体，不要太大，大概像材料力学分析应力那种就行 3、假设点云的密度是相同的，点云是一层蒙皮，不是实心的。 a、如果小正方体沿z方向移动，那小正方体里的点云数量应该不变 b、如果小正方体位于边缘上，则沿边缘移动，点云数量几乎不变，沿垂直边缘方向移动，点云数量改 c、如果小正方体位于角点上，则有两个方向都会大幅改变点云数量 如果由法向量x,y,z构成协方差矩阵，那么它应该是一个对称矩阵。 而且特征向量有一个方向是法线方向，另外两个方向和法线垂直。 那么直接用协方差矩阵替换掉图像里的M矩阵，就得到了点云的Harris算法。 其中，半径r可以用来控制角点的规模 r小，则对应的角点越尖锐（对噪声更敏感） r大，则可能在平缓的区域也检测出角点 ---------------------------------------------------------------------- NARF 1. 边缘提取 对点云而言，场景的边缘代表前景物体和背景物体的分界线。 所以，点云的边缘又分为三种： 前景边缘，背景边缘，阴影边缘。 三维点云的边缘有个很重要的特征， 就是点a 和点b 如果在 rangImage 上是相邻的，然而在三维距离上却很远，那么多半这里就有边缘。 由于三维点云的规模和稀疏性，“很远”这个概念很难描述清楚。 到底多远算远？这里引入一个横向的比较是合适的。这种比较方法可以自适应点云的稀疏性。 所谓的横向比较就是和 某点周围的点相比较。 这个周围有多大？不管多大， 反正就是在某点pi的rangeImage 上取一个方窗。 假设像素边长为s. 那么一共就取了s^2个点。 接下来分三种情况来讨论所谓的边缘： 1.这个点在某个平面上，边长为 s 的方窗没有涉及到边缘 2.这个点恰好在某条边缘上，边长 s 的方窗一半在边缘左边，一半在右边 3.这个点恰好处于某个角点上，边长 s 的方窗可能只有 1/4 与 pi 处于同一个平面 如果将 pi 与不同点距离进行排序，得到一系列的距离，d0 表示与 pi 距离最近的点，显然是 pi 自己。 ds^2 是与pi 最远的点，这就有可能是跨越边缘的点了。 选择一个dm，作为与m同平面，但距离最远的点。 也就是说，如果d0~ds^2是一个连续递增的数列，那么dm可以取平均值。 如果这个数列存在某个阶跃跳动（可能会形成类似阶跃信号） 那么则发生阶跃的地方应该是有边缘存在，不妨取阶跃点为dm(距离较小的按个阶跃点） 原文并未如此表述此段落，原文取s=5, m=9 作为m点的一个合理估计。 ------------------------------------------------------------------------------- 关键点提取 在提取关键点时，边缘应该作为一个重要的参考依据。 但一定不是唯一的依据。对于某个物体来说关键点应该是表达了某些特征的点，而不仅仅是边缘点。 所以在设计关键点提取算法时，需要考虑到以下一些因素： 边缘和曲面结构都要考虑进去； 关键点要能重复； 关键点最好落在比较稳定的区域，方便提取法线。 对于点云构成的曲面而言，某处的曲率无疑是一个非常重要的结构描述因素。 某点的曲率越大，则该点处曲面变化越剧烈。 在2D rangeImage 上，去 pi 点及其周边与之距离小于2deta的点， 进行PCA主成分分析。可以得到一个 主方向v，以及曲率值 lamda. 注意， v 必然是一个三维向量。 那么对于边缘点，可以取其 权重 w 为1 ， v 为边缘方向。 对于其他点，取权重 w 为 1-(1-lamda)^3 ， 方向为 v 在平面 p上的投影。 平面 p 垂直于 pi 与原点连线。 到此位置，每个点都有了两个量，一个权重，一个方向。 将权重与方向带入下列式子 I 就是某点 为特征点的可能性。
１】NARF
代码地址
/* NARF 从深度图像(RangeImage)中提取NARF关键点 1. 边缘提取 对点云而言，场景的边缘代表前景物体和背景物体的分界线。 所以，点云的边缘又分为三种： 前景边缘，背景边缘，阴影边缘。 就是点a 和点b 如果在 rangImage 上是相邻的，然而在三维距离上却很远，那么多半这里就有边缘。 在提取关键点时， 边缘应该作为一个重要的参考依据。 但一定不是唯一的依据。 对于某个物体来说关键点应该是表达了某些特征的点，而不仅仅是边缘点。 所以在设计关键点提取算法时，需要考虑到以下一些因素： 边缘和曲面结构都要考虑进去； 关键点要能重复； 关键点最好落在比较稳定的区域，方便提取法线。 图像的Harris角点算子将图像的关键点定义为角点。 角点也就是物体边缘的交点， harris算子利用角点在两个方向的灰度协方差矩阵响应都很大，来定义角点。 既然关键点在二维图像中已经被成功定义且使用了， 看来在三维点云中可以沿用二维图像的定义 不过今天要讲的是另外一种思路，简单粗暴， 直接把三维的点云投射成二维的图像不就好了。 这种投射方法叫做range_image. */ #include <iostream>//标准输入输出流 #include <boost/thread/thread.hpp> #include <pcl/range_image/range_image.h>// RangeImage 深度图像 #include <pcl/io/pcd_io.h>//PCL的PCD格式文件的输入输出头文件 #include <pcl/visualization/range_image_visualizer.h> #include <pcl/visualization/pcl_visualizer.h> #include <pcl/features/range_image_border_extractor.h> #include <pcl/keypoints/narf_keypoint.h>//关键点检测 #include <pcl/console/parse.h>//解析 命令行 参数 //定义别名 typedef pcl::PointXYZ PointType; // -------------------- // -----参数 Parameters----- // -------------------- //参数 全局变量 float angular_resolution = 0.5f;//角坐标分辨率 float support_size = 0.2f;//感兴趣点的尺寸（球面的直径） pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;//坐标框架：相机框架（而不是激光框架） bool setUnseenToMaxRange = false;//是否将所有不可见的点 看作 最大距离 // -------------- // -----打印帮助信息 Help----- // -------------- //当用户输入命令行参数-h，打印帮助信息 void printUsage (const char* progName) { std::cout << "\n\n用法 Usage: "<<progName<<" [options] <scene.pcd>\n\n" << "Options:\n" << "-------------------------------------------\n" << "-r <float> 角度 angular resolution in degrees (default "<<angular_resolution<<")\n" << "-c <int> 坐标系 coordinate frame (default "<< (int)coordinate_frame<<")\n" << "-m Treat all unseen points as maximum range readings\n" << "-s <float> support size for the interest points (diameter of the used sphere - " << "default "<<support_size<<")\n" << "-h this help\n" << "\n\n"; } //void //setViewerPose (pcl::visualization::PCLVisualizer& viewer, const Eigen::Affine3f& viewer_pose) //{ //Eigen::Vector3f pos_vector = viewer_pose * Eigen::Vector3f (0, 0, 0); //Eigen::Vector3f look_at_vector = viewer_pose.rotation () * Eigen::Vector3f (0, 0, 1) + pos_vector; //Eigen::Vector3f up_vector = viewer_pose.rotation () * Eigen::Vector3f (0, -1, 0); //viewer.setCameraPosition (pos_vector[0], pos_vector[1], pos_vector[2], //look_at_vector[0], look_at_vector[1], look_at_vector[2], //up_vector[0], up_vector[1], up_vector[2]); //} // -------------- // -----Main----- // -------------- int main (int argc, char** argv) { // -------------------------------------- // ----- 解析 命令行 参数 Parse Command Line Arguments----- // -------------------------------------- if (pcl::console::find_argument (argc, argv, "-h") >= 0)//help参数 { printUsage (argv[0]);//程序名 return 0; } if (pcl::console::find_argument (argc, argv, "-m") >= 0) { setUnseenToMaxRange = true;//将所有不可见的点 看作 最大距离 cout << "Setting unseen values in range image to maximum range readings.\n"; } int tmp_coordinate_frame;//坐标框架：相机框架（而不是激光框架） if (pcl::console::parse (argc, argv, "-c", tmp_coordinate_frame) >= 0) { coordinate_frame = pcl::RangeImage::CoordinateFrame (tmp_coordinate_frame); cout << "Using coordinate frame "<< (int)coordinate_frame<<".\n"; } // 感兴趣点的尺寸（球面的直径） if (pcl::console::parse (argc, argv, "-s", support_size) >= 0) cout << "Setting support size to "<<support_size<<".\n"; // 角坐标分辨率 if (pcl::console::parse (argc, argv, "-r", angular_resolution) >= 0) cout << "Setting angular resolution to "<<angular_resolution<<"deg.\n"; angular_resolution = pcl::deg2rad (angular_resolution); // ------------------------------------------------------------------ // -----Read pcd file or create example point cloud if not given----- // ------------------------------------------------------------------ //读取pcd文件；如果没有指定文件，就创建样本点 pcl::PointCloud<PointType>::Ptr point_cloud_ptr(new pcl::PointCloud<PointType>);//点云对象指针 pcl::PointCloud<PointType>& point_cloud = *point_cloud_ptr;//引用 上面点云的别名 常亮指针 pcl::PointCloud<pcl::PointWithViewpoint> far_ranges;//带视角的点云 Eigen::Affine3f scene_sensor_pose (Eigen::Affine3f::Identity ());//仿射变换 //检查参数中是否有pcd格式文件名，返回参数向量中的索引号 std::vector<int> pcd_filename_indices = pcl::console::parse_file_extension_argument (argc, argv, "pcd"); if (!pcd_filename_indices.empty()) { std::string filename = argv[pcd_filename_indices[0]]; if (pcl::io::loadPCDFile (filename, point_cloud) == -1)//如果指定了pcd文件，读取pcd文件 { std::cerr << "Was not able to open file \""<<filename<<"\".\n"; printUsage (argv[0]); return 0; } //设置传感器的姿势 scene_sensor_pose = Eigen::Affine3f (Eigen::Translation3f (point_cloud.sensor_origin_[0], point_cloud.sensor_origin_[1], point_cloud.sensor_origin_[2])) * Eigen::Affine3f (point_cloud.sensor_orientation_); //读取远距离文件? std::string far_ranges_filename = pcl::getFilenameWithoutExtension (filename)+"_far_ranges.pcd"; if (pcl::io::loadPCDFile (far_ranges_filename.c_str (), far_ranges) == -1) std::cout << "Far ranges file \""<<far_ranges_filename<<"\" does not exists.\n"; } else//没有指定pcd文件，生成点云，并填充它 { setUnseenToMaxRange = true;//将所有不可见的点 看作 最大距离 cout << "\nNo *.pcd file given => Genarating example point cloud.\n\n"; for (float x=-0.5f; x<=0.5f; x+=0.01f) { for (float y=-0.5f; y<=0.5f; y+=0.01f) { PointType point; point.x = x; point.y = y; point.z = 2.0f - y; point_cloud.points.push_back (point);//设置点云中点的坐标 } } point_cloud.width = (int) point_cloud.points.size (); point_cloud.height = 1; } // ----------------------------------------------- // -----Create RangeImage from the PointCloud----- // ----------------------------------------------- // 从点云数据，创建深度图像 // 直接把三维的点云投射成二维的图像 float noise_level = 0.0; //noise level表示的是容差率，因为1°X1°的空间内很可能不止一个点， //noise level = 0则表示去最近点的距离作为像素值，如果=0.05则表示在最近点及其后5cm范围内求个平均距离 //minRange表示深度最小值，如果=0则表示取1°X1°的空间内最远点，近的都忽略 float min_range = 0.0f; //bordersieze表示图像周边点 int border_size = 1; boost::shared_ptr<pcl::RangeImage> range_image_ptr (new pcl::RangeImage);//创建RangeImage对象（智能指针） pcl::RangeImage& range_image = *range_image_ptr; //RangeImage的引用 //从点云创建深度图像 //rangeImage也是PCL的基本数据结构 //pcl::RangeImage rangeImage; // 球坐标系 //角分辨率 //float angularResolution = (float) ( 1.0f * (M_PI/180.0f)); // 1.0 degree in radians 弧度 //phi可以取360° // float maxAngleWidth = (float) (360.0f * (M_PI/180.0f)); // 360.0 degree in radians //a取180° // float maxAngleHeight = (float) (180.0f * (M_PI/180.0f)); // 180.0 degree in radians //半圆扫一圈就是整个图像了 range_image.createFromPointCloud (point_cloud, angular_resolution, pcl::deg2rad (360.0f), pcl::deg2rad (180.0f), scene_sensor_pose, coordinate_frame, noise_level, min_range, border_size); range_image.integrateFarRanges (far_ranges);//整合远距离点云 if (setUnseenToMaxRange) range_image.setUnseenToMaxRange (); // -------------------------------------------- // -----Open 3D viewer and add point cloud----- // -------------------------------------------- // 3D点云显示 pcl::visualization::PCLVisualizer viewer ("3D Viewer"); viewer.setBackgroundColor (1, 1, 1);//背景颜色 白色 pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> range_image_color_handler (range_image_ptr, 0, 0, 0); viewer.addPointCloud (range_image_ptr, range_image_color_handler, "range image");//添加点云 viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "range image"); //viewer.addCoordinateSystem (1.0f, "global"); //PointCloudColorHandlerCustom<PointType> point_cloud_color_handler (point_cloud_ptr, 150, 150, 150); //viewer.addPointCloud (point_cloud_ptr, point_cloud_color_handler, "original point cloud"); viewer.initCameraParameters (); //setViewerPose (viewer, range_image.getTransformationToWorldSystem ()); // -------------------------- // -----Show range image----- // -------------------------- //显示深度图像（平面图） pcl::visualization::RangeImageVisualizer range_image_widget ("Range image"); range_image_widget.showRangeImage (range_image); // -------------------------------- // -----Extract NARF keypoints----- // -------------------------------- // 提取NARF关键点 pcl::RangeImageBorderExtractor range_image_border_extractor;//创建深度图像的边界提取器，用于提取NARF关键点 pcl::NarfKeypoint narf_keypoint_detector (&range_image_border_extractor);//创建NARF对象 narf_keypoint_detector.setRangeImage (&range_image);//设置点云对应的深度图 narf_keypoint_detector.getParameters ().support_size = support_size;// 感兴趣点的尺寸（球面的直径） //narf_keypoint_detector.getParameters ().add_points_on_straight_edges = true; //narf_keypoint_detector.getParameters ().distance_for_additional_points = 0.5; pcl::PointCloud<int> keypoint_indices;//用于存储关键点的索引 narf_keypoint_detector.compute (keypoint_indices);//计算NARF关键 std::cout << "Found找到关键点： "<<keypoint_indices.points.size ()<<" key points.\n"; // ---------------------------------------------- // -----Show keypoints in range image widget----- // ---------------------------------------------- //在range_image_widget中显示关键点 //for (size_t i=0; i<keypoint_indices.points.size (); ++i) //range_image_widget.markPoint (keypoint_indices.points[i]%range_image.width, //keypoint_indices.points[i]/range_image.width); // ------------------------------------- // -----Show keypoints in 3D viewer----- // ------------------------------------- //在3D图形窗口中显示关键点 pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints_ptr (new pcl::PointCloud<pcl::PointXYZ>);//创建关键点指针 pcl::PointCloud<pcl::PointXYZ>& keypoints = *keypoints_ptr;//引用 keypoints.points.resize (keypoint_indices.points.size ());//初始化大小 for (size_t i=0; i<keypoint_indices.points.size (); ++i)//按照索引获得 关键点 keypoints.points[i].getVector3fMap () = range_image.points[keypoint_indices.points[i]].getVector3fMap (); pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> keypoints_color_handler (keypoints_ptr, 0, 255, 0); viewer.addPointCloud<pcl::PointXYZ> (keypoints_ptr, keypoints_color_handler, "keypoints");//添加显示关键点 viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "keypoints"); //-------------------- // -----Main loop----- //-------------------- while (!viewer.wasStopped ()) { range_image_widget.spinOnce (); // process GUI events 处理 GUI事件 viewer.spinOnce (); pcl_sleep(0.01); } }２】3DHarris 方块体内点数量变化确定角点
代码地址
/* 3DHarris 方块体内点数量变化确定角点 在2DHarris里，我们使用了 图像梯度构成的 协方差矩阵。 图像梯度。。。嗯。。。。每个像素点都有一个梯度， 在一阶信息量的情况下描述了两个相邻像素的关系。显然这个思想可以轻易的移植到点云上来。 想象一下，如果在 点云中存在一点p 1、在p上建立一个局部坐标系：z方向是法线方向，x,y方向和z垂直。 2、在p上建立一个小正方体，不要太大，大概像材料力学分析应力那种就行 3、假设点云的密度是相同的，点云是一层蒙皮，不是实心的。 a、如果小正方体沿z方向移动，那小正方体里的点云数量应该不变 b、如果小正方体位于边缘上，则沿边缘移动，点云数量几乎不变，沿垂直边缘方向移动，点云数量改 c、如果小正方体位于角点上，则有两个方向都会大幅改变点云数量 如果由法向量x,y,z构成协方差矩阵，那么它应该是一个对称矩阵。 而且特征向量有一个方向是法线方向，另外两个方向和法线垂直。 那么直接用协方差矩阵替换掉图像里的M矩阵，就得到了点云的Harris算法。 其中，半径r可以用来控制角点的规模 r小，则对应的角点越尖锐（对噪声更敏感） r大，则可能在平缓的区域也检测出角点 ./harris3d ../../Filtering/build/table_scene_lms400_inliers.pcd */ #include <iostream>//标准输入输出流 #include <boost/thread/thread.hpp> #include <pcl/io/pcd_io.h>//PCL的PCD格式文件的输入输出头文件 #include <pcl/visualization/pcl_visualizer.h> //#include <pcl/keypoints/narf_keypoint.h>//关键点检测 #include <pcl/keypoints/harris_3d.h> #include <cstdlib> #include <vector> using namespace std; //定义别名 typedef pcl::PointXYZ PointType; // -------------- // -----Main----- // -------------- int main (int argc, char** argv) { // ------------------------------------------------------------------ // -----Read pcd file or create example point cloud if not given----- // ------------------------------------------------------------------ //读取pcd文件；如果没有指定文件，就创建样本点 pcl::PointCloud<PointType>::Ptr point_cloud_ptr(new pcl::PointCloud<PointType>);//点云对象指针 pcl::PointCloud<PointType>& point_cloud = *point_cloud_ptr;//引用 上面点云的别名 常亮指针 //检查参数中是否有pcd格式文件名，返回参数向量中的索引号 if (argc>=2)//第二个参数为ｐｃｄ文件名 { pcl::io::loadPCDFile (argv[1], point_cloud); cout << "load pcd file : "<< argv[1]<< endl; cout << "point_cloud has :"<< point_cloud.points.size()<<" n points."<<endl; } else//没有指定pcd文件，生成点云，并填充它 { cout << "\nNo *.pcd file given => Genarating example point cloud.\n\n"; for (float x=-0.5f; x<=0.5f; x+=0.01f) { for (float y=-0.5f; y<=0.5f; y+=0.01f) { PointType point; point.x = x; point.y = y; point.z = 2.0f - y; point_cloud.points.push_back (point);//设置点云中点的坐标 } } point_cloud.width = (int) point_cloud.points.size (); point_cloud.height = 1; } // -------------------------------------------- // -----Open 3D viewer and add point cloud----- // -------------------------------------------- // 3D点云显示 //pcl::visualization::PCLVisualizer viewer ("3D Viewer");//可视化对象 boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer);//可视化对象指针 viewer->setBackgroundColor (1, 1, 1);//背景颜色 白色 viewer->addPointCloud(point_cloud_ptr);//指针 // -------------------------------- // -----Extract Harri keypoints----- // -------------------------------- // 提取Harri关键点 pcl::HarrisKeypoint3D<pcl::PointXYZ,pcl::PointXYZI,pcl::Normal> harris; harris.setInputCloud(point_cloud_ptr);//设置输入点云 指针 cout<<"input successful"<<endl; harris.setNonMaxSupression(true); harris.setRadius(0.02f);// 块体半径 harris.setThreshold(0.01f);//数量阈值 cout<<"parameter set successful"<<endl; //新建的点云必须初始化，清零，否则指针会越界 //注意Harris的输出点云必须是有强度(I)信息的 pcl::PointXYZI，因为评估值保存在I分量里 pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_out_ptr (new pcl::PointCloud<pcl::PointXYZI>); pcl::PointCloud<pcl::PointXYZI>& cloud_out = *cloud_out_ptr; cloud_out.height=1; cloud_out.width =100; cloud_out.resize(cloud_out.height * cloud_out.width); cloud_out.clear(); cout << "extracting... "<< endl; // 计算特征点 harris.compute(cloud_out); // 关键点 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_harris_ptr (new pcl::PointCloud<pcl::PointXYZ>);//指针 pcl::PointCloud<pcl::PointXYZ>& cloud_harris = *cloud_harris_ptr;//引用 cloud_harris.height=1; cloud_harris.width =100; cloud_harris.resize(cloud_out.height * cloud_out.width); cloud_harris.clear();//清空 int size = cloud_out.size(); cout << "extraction : " << size << " n keypoints."<< endl; pcl::PointXYZ point; //可视化结果不支持XYZI格式点云，所有又要导回XYZ格式。。。。 for (int i = 0; i<size; ++i) { point.x = cloud_out.at(i).x; point.y = cloud_out.at(i).y; point.z = cloud_out.at(i).z; cloud_harris.push_back(point); } // ------------------------------------- // -----Show keypoints in 3D viewer----- // ------------------------------------- //在3D图形窗口中显示关键点 pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> harris_color_handler (cloud_harris_ptr, 0, 255, 0);//第一个参数类型为 指针 viewer->addPointCloud(cloud_harris_ptr, harris_color_handler,"harris");//第一个参数类型为 指针 viewer->setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "harris"); //-------------------- // -----Main loop----- //-------------------- while (!viewer->wasStopped ()) { viewer->spinOnce (); pcl_sleep(0.1); } }