python pcre模式 pythonpcl

转载

mob6454cc6e6a40 2023-10-07 12:56:16

文章标签 python pcre模式 pcl 点云 python 数据 文章分类 Python 后端开发

PCL

http://www.pointclouds.org/documentation/tutorials/#filtering-tutorial 每个模块点击进去后，有demo可以查看

源码编译打开option开关with_docs true，生成html文档

PCD

width、height绘制的网格中，height>1有序点云，height==1无序点云
sensor_origin_ 中心点
sensor_orientation_ 模型矩阵
point类型(体素类型)，不同类型的点数据，加载出来的图像不同

PointXYZ 常用无色点云数据
PointXYZI i表示强度（intensity），距离越近强度越高
PointXYZRGB RGB颜色使用float存储，彩色点云

filed:concatenateFields拼接点云的数据坐标和法线数据等 PointCloud–>PointCloudNormal
点云数据合并 a+b=c点云

ply

pcl支持pcd和ply文件，meshlab支持ply

Segment

欧几里德

std::vector<pcl::PointIndices> cluster_indices;
//欧式分割器
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance (0.02); // 2cm
ec.setMinClusterSize (100);
ec.setMaxClusterSize (25000);
//搜索策略树
ec.setSearchMethod (tree);
ec.setInputCloud (cloud_filtered);
ec.extract (cluster_indices);

区域生长

//一个点云团队列，用于存放聚类结果
std::vector <pcl::PointIndices> clusters;
//区域生长分割器
pcl::RegionGrowing<pcl::PointXYZ, pcl::Normal> reg;
//输入分割目标
reg.setSearchMethod (tree);
reg.setNumberOfNeighbours (30);
reg.setInputCloud (cloud);
//reg.setIndices (indices);
reg.setInputNormals (normals);
//设置限制条件及先验知识
reg.setMinClusterSize (50);
reg.setMaxClusterSize (1000000);
reg.setSmoothnessThreshold (3.0 / 180.0 * M_PI);
reg.setCurvatureThreshold (1.0);
reg.extract (clusters);

ransac随机抽样一致算法（类似最小而乘法的拟合算法，抗燥能力较强），存在不确定性（不一定拟合），为了提高准确度需要提高迭代次数

pcl::SACSegmentation<pcl::PointXYZ> seg; 
seg.setOptimizeCoefficients (true);
seg.setModelType (pcl::SACMODEL_PLANE);
seg.setMethodType (pcl::SAC_RANSAC);
sac.setMaxIterations(100);                //默认50
seg.setDistanceThreshold (0.01);
seg.setInputCloud (cloud);
seg.segment (*inliers, *coefficients);

分割后遍历各个子集

for (std::vector<pcl::PointIndices>::const_iterator it = clusters.begin(); it != clusters.end(); it++)
    {    
        pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_cluster(new pcl::PointCloud<pcl::PointXYZRGB>);
        for (std::vector<int>::const_iterator itor = it->indices.begin(); itor != it->indices.end(); itor++)
        {
            cloud_cluster->points.push_back(colored_cloud->points[*itor]); //*
            cloud_cluster->width = cloud_cluster->points.size();
            cloud_cluster->height = 1;
            cloud_cluster->is_dense = true;
...上面方法较笨或者

pcl::ExtractIndices<pcl::PointXYZRGB> extra;
extra.setInputCloud(cloud);
extra.setIndices(clusters[i]);
extra.filter(*out);

ModelCoefficients平面参数

点云提取（保留或者删除点云，通过SACSegmentation后循环去掉平面，然后欧几里得聚类算法分类识别物体）

pcl::ExtractIndices<pcl::PointXYZRGB>ext;
ext.setInputCloud(sor_cloud);
ext.setIndices(inliner);
ext.setNegative(true);    //删除目标点云或保留
ext.filter(*ext_cloud_rest);

Common

PosesFromMatches姿态估计
getMinMax包围和估计

Filter

过滤点云（下采样），保持形状不变减少点云数量
VoxelGrid体素网格，可以做下采样
setLeafSize设置体素的过滤大小m为单位，0.01（1cm^3）

pcl::VoxelGrid<pcl::PCLPointCloud2> sor;  //创建滤波对象
sor.setInputCloud (cloud);            //设置需要过滤的点云给滤波对象
sor.setLeafSize (0.01f, 0.01f, 0.01f);  //设置滤波时创建的体素体积为1cm的立方体
sor.filter (*cloud_filtered);           //执行滤波处理，存储输出

PassThrough过滤或保留不再给定范围内的值

pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud (cloud);            //设置输入点云
pass.setFilterFieldName ("z");          //设置过滤时所需要点云类型的Z字段
pass.setFilterLimits (0.0, 1.0);          //设置在过滤字段的范围
//pass.setFilterLimitsNegative (true);     //设置保留范围内还是过滤掉范围内
pass.filter (*cloud_filtered);             //执行滤波，保存过滤结果在cloud_filtered

UniformSampling 均匀采样

pcl::UniformSampling<pcl::PointXYZ> filter;
filter.setInputCloud(cloud);
filter.setRadiusSearch(0.01f);
pcl::PointCloud<int> keypointIndices;
filter.compute(keypointIndices);
pcl::copyPointCloud(*cloud, keypointIndices.points, *filteredCloud);

StatisticalOutlierRemoval区域范围内的点是否离群（标准差方式判断离群点）

pcl::PointCloud<pcl::PointXYZRGB>::Ptr sor_cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
pcl::StatisticalOutlierRemoval<pcl::PointXYZRGB>sor;
sor.setMeanK(10);     //计算标准差的区域点个数
sor.setInputCloud(vox_cloud);
sor.setStddevMulThresh(0.02);
sor.filter(*sor_cloud);

RadiusOutlierRemoval半径范围内必须要有足够点，否则删除
ConditionalRemoval，条件过滤，去掉部相关的条件（颜色筛选）

//上面的就是创建点云数据
pcl::ConditionAnd<pcl::PointXYZ>::Ptr range_cond(new pcl::ConditionAnd<pcl::PointXYZ>());   //创建条件定义对象
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("z", pcl::ComparisonOps::GT, 0.0)));
range_cond->addComparison(pcl::FieldComparison<pcl::PointXYZ>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZ>("z", pcl::ComparisonOps::LT,800)));
//创建滤波器并用条件定义对象初始化
pcl::ConditionalRemoval<pcl::PointXYZ> condrem(range_cond);
condrem.setInputCloud(cloud);
condrem.setKeepOrganized(true);
condrem.filter(*cloud_filtered);

Feature

模型边界 BoundaryEstimation，模型

Eigen::Vector4f pcaCentroid;
	Eigen::Matrix3f covariance;
    pcl::compute3DCentroid(*scene, pcaCentroid);
    pcl::computeCovarianceMatrixNormalized(*scene, pcaCentroid, covariance);  //协方差矩阵
    Eigen::SelfAdjointEigenSolver<Eigen::Matrix3f> eigen_solver(covariance, Eigen::ComputeEigenvectors);
    Eigen::Matrix3f eigenVectorsPCA = eigen_solver.eigenvectors();
    //viewer.addCoordinateSystem(1,pcaCentroid.x(),pcaCentroid.y(),pcaCentroid.z());
    viewer.addCube(Eigen::Vector3f(tmpCenter.x,tmpCenter.y,tmpCenter.z),Eigen::Quaternionf(eigenVectorsPCA),width,height,depth,"bbox");

法线估计

pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);
//创建法线估计估计向量
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud (cloud);
//创建一个空的KdTree对象，并把它传递给法线估计向量
//基于给出的输入数据集，KdTree将被建立
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
ne.setSearchMethod (tree);
//使用半径在查询点周围3厘米范围内的所有临近元素
ne.setRadiusSearch (0.03);
//计算特征值
ne.compute (*cloud_normals);

点特征直方图PFH描述

查找特征点云P，得到P点最临近元素，对领域内的每对点，计算三个角度特征参数，输出直方图，点区域特征和权重

python pcre模式 pythonpcl_python

//其他相关操作
pcl::PointCloud<pcl::PointXYZ>::Ptrcloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::Normal>::Ptrnormals(new pcl::PointCloud<pcl::Normal>());
//打开点云文件估计法线等
//创建PFH估计对象pfh，并将输入点云数据集cloud和法线normals传递给它
pcl::PFHEstimation<pcl::PointXYZ,pcl::Normal,pcl::PFHSignature125> pfh;
pfh.setInputCloud(cloud);
pfh.setInputNormals(normals);
//如果点云是类型为PointNormal,则执行pfh.setInputNormals (cloud);
//创建一个空的kd树表示法，并把它传递给PFH估计对象。
//基于已给的输入数据集，建立kdtree
pcl::KdTreeFLANN<pcl::PointXYZ>::Ptrtree(new pcl::KdTreeFLANN<pcl::PointXYZ>());
pfh.setSearchMethod(tree);
//输出数据集
pcl::PointCloud<pcl::PFHSignature125>::Ptrpfhs(new pcl::PointCloud<pcl::PFHSignature125>());
//使用半径在5厘米范围内的所有邻元素。
//注意：此处使用的半径必须要大于估计表面法线时使用的半径!!!
pfh.setRadiusSearch(0.05);
//计算pfh特征值
pfh.compute(*pfhs);

Surface

三维重建
霍夫曼变换（Hough）、哈里斯角点（Harris）

Sample Consensus

单个模型拟合去噪，RANSAC算法（带阈值的最小二乘法）

KdTree

查找特征点附近的K个临近点。由一个有其他约束条件的二叉树组成。

OCTree

查找临近点。描述三维坐标系中的8个象限。

# register（姿态估计）

ICP算法

注册模型，匹配模型姿态估计（最小二乘法计算变换矩阵）
Icp算法，点集对点集配准方法，通过算法不断迭代，找到模型的匹配姿态。

IterativeClosestPoint<PointXYZ, PointXYZ> icp;
icp.setInputCloud (cloud_source);
icp.setInputTarget (cloud_target);
icp.setMaxCorrespondenceDistance (0.05);
icp.setMaximumIterations (50);
icp.setTransformationEpsilon (1e-8);
icp.setEuclideanFitnessEpsilon (1);
icp.align (cloud_source_registered);
Eigen::Matrix4f transformation = icp.getFinalTransformation ();

recongnise

Linemod，目标检测算法

LineRGBD<PointXYZRGBA> line_rgbd;
std::vector<LineRGBD<PointXYZRGBA>::Detection> detections;
line_rgbd.setGradientMagnitudeThreshold (10.0);
line_rgbd.setDetectionThreshold (0.75);
line_rgbd.loadTemplates ("*.lmt");   //输入训练好的lmt文件
line_rgbd.setInputCloud (cloud);
line_rgbd.setInputColors (cloud);
line_rgbd.detect (detections);

ORK(github上面object recognise kitchen）

visualization

pcl::visualization对VT(OPenGL的封装)K做封装，包含pcd点云显示等功能

pcl::visualization::CloudViewer cloudView("test");
cloudView.showCloud    //可以直接更新显示

pcl::visualization::PCLVisualizer cloudView2("test");
cloudView2.addPointCloud(cloud);   //添加点云
cloudView2.spinOnce()   //更新显示   spin阻塞

Eigen编译错误

EIGEN_STATIC_ASSERT_SAME_MATRIX_SIZE eigen类型不匹配会，通过编译宏断言设置错误
Eigen::Vector3f(pcl::PointRGB.getVector3fMap())

点做旋转变换，注意旋转矩阵的左乘和右乘

python-pcl

git clone https://github.com/strawlab/python-pcl.git
执行./build.sh即可，执行过程中出现错误，需要修改setup.py文件的pcl版本，vtk6.3版本，提示libtk*.so找不到，在setup.py中删除即可（和我安装的apt install libvtk6-dev不同）
最后：

拷贝pcl文件夹下的所有文件到python的site-packges/pcl下（setup.py不拷贝这些文件，否则python import pcl智能在python-pcl源码目录下可用）

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。

上一篇：java volidate 的使用实例 volatile java

下一篇：十行python 十行字库

提问和评论都可以，用心的回复会被更多人看到评论

发布评论

相关文章

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯