3DSC特征描述符、对应关系可视化以及ICP配准

news2024/11/17 20:21:37

一、3DSC特征描述符可视化

C++

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/search/kdtree.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d_omp.h>//使用OMP需要添加的头文件
#include <pcl/features/spin_image.h>
#include <boost/thread/thread.hpp>
#include <pcl/features/3dsc.h>
#include <pcl/visualization/pcl_plotter.h>// 直方图的可视化 
#include <pcl/visualization/histogram_visualizer.h>
#include <pcl/kdtree/kdtree_flann.h>
using namespace std;
int main()
{
	//------------------加载点云数据-----------------
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1)//需使用绝对路径
	{
		PCL_ERROR("Could not read file\n");
	}

	//--------------------计算法线------------------
	pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	//建立kdtree来进行近邻点集搜索
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
	n.setNumberOfThreads(8);//设置openMP的线程数
	n.setInputCloud(cloud);
	n.setSearchMethod(tree);
	n.setKSearch(10);
	n.compute(*normals);//开始进行法向计算

	// ------------------3DSC图像计算------------------
	pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;
	sc.setInputCloud(cloud);
	sc.setInputNormals(normals);
	sc.setSearchMethod(tree);
	sc.setMinimalRadius(4);
	sc.setPointDensityRadius(8);
	pcl::PointCloud< pcl::ShapeContext1980>::Ptr dsc_images(new pcl::PointCloud< pcl::ShapeContext1980>);
	sc.setRadiusSearch(40);
	sc.compute(*dsc_images);
	cout << "3DSC图像计算计算完成" << endl;

	// 显示和检索第一点的自旋图像描述符向量。
	pcl::ShapeContext1980 first_descriptor = dsc_images->points[0];
	cout << first_descriptor << endl;


	pcl::PointCloud<pcl::Histogram<1980>>::Ptr histograms(new pcl::PointCloud<pcl::Histogram<1980>>);
	// Accumulate histograms
	for (int i = 0; i < dsc_images->size(); ++i) {
		pcl::Histogram<1980>  aggregated_histogram;
		for (int j = 0; j < 1980; ++j) {
			aggregated_histogram.histogram[j] = (*dsc_images)[i].descriptor[j];
		}
		histograms->push_back(aggregated_histogram);
	}
	


	pcl::visualization::PCLPlotter plotter;
	plotter.addFeatureHistogram(*histograms,1980); //设置的横坐标长度，该值越大，则显示的越细致
	plotter.setWindowName("3DSC Image");
	plotter.plot();

	return 0;
}

关键代码解析：

    pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	//建立kdtree来进行近邻点集搜索
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
	n.setNumberOfThreads(8);//设置openMP的线程数
	n.setInputCloud(cloud);
	n.setSearchMethod(tree);
	n.setKSearch(10);
	n.compute(*normals);

  1. pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;：

    • pcl::NormalEstimationOMP 是一个用于估计点云法线的类，它利用了 OpenMP 进行多线程加速。
    • <pcl::PointXYZ, pcl::Normal> 指定输入点云类型为 pcl::PointXYZ，输出法线类型为 pcl::Normal。

  2. pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);：

    • 创建了一个指向存储法线的点云的指针。

  3. pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);：

    • 创建了一个 KdTree 对象，用于近邻搜索。
    • pcl::search::KdTree<pcl::PointXYZ> 指定了 KdTree 使用的点类型。

  4. n.setNumberOfThreads(8);：

    • 设置 OpenMP 的线程数为 8。这指定了在计算法线时要使用的并行线程数量。通常，设置为计算机的可用核心数或稍少一些是合理的。

  5. n.setInputCloud(cloud);：

    • 设置输入点云，即需要估计法线的点云。

  6. n.setSearchMethod(tree);：

    • 设置法线估计中使用的搜索方法，这里使用了建立好的 KdTree。

  7. n.setKSearch(10);：

    • 设置用于估计每个点法线的最近邻点的数量。这里设置为 10，表示每个点的法线估计将使用其最近的 10 个邻居。

  8. n.compute(*normals);：

    • 执行法线估计。
    • 估计的法线将存储在 normals 指向的点云中。

参数设置及其影响：

  • setNumberOfThreads(int num_threads)：通过设置并行计算线程数，可以加快法线估计的速度。但是，设置的线程数应该根据计算机的硬件配置来调整，过多的线程可能会造成资源浪费。
  • setKSearch(int k)：决定了估计每个点法线时考虑的最近邻点的数量。更大的值将考虑更多的邻居，这可能导致更平滑的法线估计，但也可能增加计算时间。
	pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;
	sc.setInputCloud(cloud);
	sc.setInputNormals(normals);
	sc.setSearchMethod(tree);
	sc.setMinimalRadius(4);
	sc.setPointDensityRadius(8);
	pcl::PointCloud< pcl::ShapeContext1980>::Ptr dsc_images(new pcl::PointCloud< pcl::ShapeContext1980>);
	sc.setRadiusSearch(40);
	// 计算spin image图像
	sc.compute(*dsc_images);

  1. pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;：

    • 创建了一个 pcl::ShapeContext3DEstimation 类的对象 sc，用于计算形状上下文。
    • pcl::PointXYZ 指定了输入点云的类型。
    • pcl::Normal 指定了输入点云的法线类型。
    • pcl::ShapeContext1980 指定了形状上下文的类型。

  2. sc.setInputCloud(cloud);：

    • 设置输入点云，即待计算形状上下文的点云。

  3. sc.setInputNormals(normals);：

    • 设置输入点云的法线。

  4. sc.setSearchMethod(tree);：

    • 设置用于形状上下文估计的搜索方法，这里使用了之前建立的 KdTree。

  5. sc.setMinimalRadius(4);：

    • 设置形状上下文估计中的最小半径。这个参数决定了形状上下文描述符的大小。较小的值可能导致更精细的形状描述，但也可能增加计算开销。

  6. sc.setPointDensityRadius(8);：

    • 设置用于计算点云形状上下文时的点密度半径。这个参数控制着在形状上下文计算中用于描述点云局部形状的密度。较大的值将考虑更广泛的区域，可能导致更全局的形状描述。

  7. pcl::PointCloud< pcl::ShapeContext1980>::Ptr dsc_images(new pcl::PointCloud< pcl::ShapeContext1980>);：

    • 创建了一个指向存储形状上下文描述符的点云的指针。

  8. sc.setRadiusSearch(40);：

    • 设置用于形状上下文计算的搜索半径。这个参数决定了在形状上下文计算中考虑的邻居点的数量。较大的值将考虑更广泛的邻域，但可能会增加计算时间。

  9. sc.compute(*dsc_images);：

    • 执行形状上下文计算。
    • 计算得到的形状上下文描述符将存储在 dsc_images 指向的点云中。

参数设置及其影响：

  • setMinimalRadius(double radius)：设置形状上下文计算中的最小半径。较小的值可能导致更精细的形状描述，但也可能增加计算开销。
  • setPointDensityRadius(double radius)：设置用于计算形状上下文时的点密度半径。较大的值将考虑更广泛的区域，可能导致更全局的形状描述。
  • setRadiusSearch(double radius)：设置形状上下文计算中的搜索半径。较大的值将考虑更广泛的邻域，但可能会增加计算时间。
	pcl::PointCloud<pcl::Histogram<1980>>::Ptr histograms(new pcl::PointCloud<pcl::Histogram<1980>>);
	// Accumulate histograms
	for (int i = 0; i < dsc_images->size(); ++i) {
		pcl::Histogram<1980>  aggregated_histogram;
		for (int j = 0; j < 1980; ++j) {
			aggregated_histogram.histogram[j] = (*dsc_images)[i].descriptor[j];
		}
		histograms->push_back(aggregated_histogram);
	}

  1. pcl::PointCloud<pcl::Histogram<1980>>::Ptr histograms(new pcl::PointCloud<pcl::Histogram<1980>>);：

    • 创建了一个指向存储直方图的点云的指针。

  2. for (int i = 0; i < dsc_images->size(); ++i) {：

    • 循环遍历形状上下文描述符点云中的每个点。

  3. pcl::Histogram<1980> aggregated_histogram;：

    • 创建了一个用于存储聚合直方图的对象。

  4. for (int j = 0; j < 1980; ++j) {：

    • 循环遍历每个形状上下文描述符的维度。

  5. aggregated_histogram.histogram[j] = (*dsc_images)[i].descriptor[j];：

    • 将形状上下文描述符的每个维度的值赋给聚合直方图中对应维度的值。

  6. histograms->push_back(aggregated_histogram);：

    • 将聚合后的直方图添加到直方图点云中。

参数设置及其影响：

  • 这段代码中没有涉及显式的参数设置，但是需要注意的是：
    • 1980 表示每个形状上下文描述符的维度。这个值应与前面计算形状上下文时所使用的描述符类型中的维度相匹配。

结果：

注意：运行速度很慢

a0bb3803054a4a2583915abdc3d49a76.png

二、3DSC对应关系可视化

C++

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/registration/correspondence_estimation.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/registration/transformation_estimation_svd.h> 
#include <pcl/features/3dsc.h>
#include <pcl/keypoints/iss_3d.h>
using namespace std;



typedef pcl::PointCloud<pcl::PointXYZ> pointcloud;
typedef pcl::PointCloud<pcl::Normal> pointnormal;
typedef pcl::PointCloud<pcl::ShapeContext1980> DSCFeature;

DSCFeature::Ptr compute_pfh_feature(pointcloud::Ptr input_cloud, pcl::search::KdTree<pcl::PointXYZ>::Ptr tree)
{

    pointnormal::Ptr normals(new pointnormal);
    pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;
    n.setInputCloud(input_cloud);
    n.setNumberOfThreads(5);
    n.setSearchMethod(tree);
    n.setKSearch(10);
    n.compute(*normals);


    pcl::PointCloud<pcl::ShapeContext1980>::Ptr dsc_fe_dsc(new pcl::PointCloud<pcl::ShapeContext1980>());
    pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;
    sc.setInputCloud(input_cloud);
    sc.setInputNormals(normals);
    //kdTree加速
    sc.setSearchMethod(tree);
    sc.setMinimalRadius(4);     // 搜索球面(Rmin)的最小半径值。
    sc.setRadiusSearch(40);      // 设置用于确定用于特征估计的最近邻居的球体半径。
    sc.setPointDensityRadius(8);// 这个半径用于计算局部点密度=这个半径内的点数。
    sc.compute(*dsc_fe_dsc);
    return dsc_fe_dsc;



}

void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{
    pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss;
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    iss.setInputCloud(cloud);
    iss.setSearchMethod(tree);
    iss.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数
    iss.setSalientRadius(5);  // 设置用于计算协方差矩阵的球邻域半径
    iss.setNonMaxRadius(5);   // 设置非极大值抑制应用算法的半径
    iss.setThreshold21(0.95);     // 设定第二个和第一个特征值之比的上限
    iss.setThreshold32(0.95);     // 设定第三个和第二个特征值之比的上限
    iss.setMinNeighbors(6);       // 在应用非极大值抑制算法时，设置必须找到的最小邻居数
    iss.compute(*keypoint);


}

int main(int argc, char** argv)
{
    pointcloud::Ptr source_cloud(new pointcloud);
    pointcloud::Ptr target_cloud(new pointcloud);
    pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *source_cloud);
    pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *target_cloud);

    pcl::PointCloud<pcl::PointXYZ>::Ptr s_k(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZ>::Ptr t_k(new pcl::PointCloud<pcl::PointXYZ>);
    extract_keypoint(source_cloud, s_k);
    extract_keypoint(target_cloud, t_k);


    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    DSCFeature::Ptr source_pfh = compute_pfh_feature(s_k, tree);
    DSCFeature::Ptr target_pfh = compute_pfh_feature(t_k, tree);
    pcl::registration::CorrespondenceEstimation<pcl::ShapeContext1980, pcl::ShapeContext1980> crude_cor_est;
    boost::shared_ptr<pcl::Correspondences> cru_correspondences(new pcl::Correspondences);
    crude_cor_est.setInputSource(source_pfh);
    crude_cor_est.setInputTarget(target_pfh);
    crude_cor_est.determineCorrespondences(*cru_correspondences);
    Eigen::Matrix4f Transform = Eigen::Matrix4f::Identity();
    pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>::Ptr trans(new pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>);

    trans->estimateRigidTransformation(*source_cloud, *target_cloud, *cru_correspondences, Transform);



    boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer(new pcl::visualization::PCLVisualizer("v1"));
    viewer->setBackgroundColor(0, 0, 0);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color(target_cloud, 255, 0, 0);
    viewer->addPointCloud<pcl::PointXYZ>(target_cloud, target_color, "target cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color(source_cloud, 0, 255, 0);
    viewer->addPointCloud<pcl::PointXYZ>(source_cloud, input_color, "input cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");
    viewer->addCorrespondences<pcl::PointXYZ>(s_k, t_k, *cru_correspondences, "correspondence");
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }


    return 0;
}

关键代码解析：

    pcl::registration::CorrespondenceEstimation<pcl::ShapeContext1980, pcl::ShapeContext1980> crude_cor_est;
    boost::shared_ptr<pcl::Correspondences> cru_correspondences(new pcl::Correspondences);
    crude_cor_est.setInputSource(source_pfh);
    crude_cor_est.setInputTarget(target_pfh);
    crude_cor_est.determineCorrespondences(*cru_correspondences);
    Eigen::Matrix4f Transform = Eigen::Matrix4f::Identity();
    pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>::Ptr trans(new pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>);

    trans->estimateRigidTransformation(*source_cloud, *target_cloud, *cru_correspondences, Transform);

  1. pcl::registration::CorrespondenceEstimation<pcl::ShapeContext1980, pcl::ShapeContext1980> crude_cor_est;：

    • 创建了一个形状上下文描述符之间的对应估计对象。这里使用的是形状上下文描述符类型 pcl::ShapeContext1980。
    • 参数设置影响：这里没有显式地设置参数，但是你可以根据需要调整匹配算法的参数，如距离阈值、特征匹配方式等，以获得更好的配准效果。

  2. boost::shared_ptr<pcl::Correspondences> cru_correspondences(new pcl::Correspondences);：

    • 创建了一个存储对应关系的指针，用于存储形状上下文描述符之间的对应关系。

  3. crude_cor_est.setInputSource(source_pfh); 和 crude_cor_est.setInputTarget(target_pfh);：

    • 设置了待配准的源点云和目标点云的形状上下文描述符。
    • 参数设置影响：这里的 source_pfh 和 target_pfh 应该是已经计算好的形状上下文描述符，参数的设置会直接影响到配准的准确度和鲁棒性。

  4. crude_cor_est.determineCorrespondences(*cru_correspondences);：

    • 执行对应关系的估计，将对应关系存储到 cru_correspondences 中。
    • 参数设置影响：在这一步中，配准的结果受到匹配算法的影响，包括特征匹配的算法、距离阈值等参数设置。

  5. Eigen::Matrix4f Transform = Eigen::Matrix4f::Identity();：

    • 创建了一个单位矩阵，用于存储计算得到的变换矩阵。

  6. pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>::Ptr trans(new pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>);：

    • 创建了一个利用奇异值分解（SVD）方法估计变换的对象。
    • 参数设置影响：这里的 pcl::PointXYZ 表示点的类型，可以根据实际情况选择合适的点类型，例如 pcl::PointNormal 或者 pcl::PointXYZRGB 等，以确保变换估计的准确性。

  7. trans->estimateRigidTransformation(*source_cloud, *target_cloud, *cru_correspondences, Transform);：

    • 使用估计的对应关系和变换方法计算源点云到目标点云的刚性变换。
    • 参数设置影响：这里的参数包括源点云、目标点云、对应关系以及变换矩阵。调整这些参数可以影响配准的结果，如不同的匹配算法、不同的点云特征类型等。

 

结果：

b76e669f624b466698296abd94675bca.png

三、3DSC结合ICP配准

 

C++

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/keypoints/iss_3d.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/features/3dsc.h>
#include <pcl/search/kdtree.h>
#include <pcl/filters/random_sample.h> // 采取固定数量的点云
#include <pcl/registration/ia_ransac.h>// 采样一致性
#include <pcl/registration/icp.h>      // icp配准
#include <boost/thread/thread.hpp>
#include <pcl/visualization/pcl_visualizer.h> // 可视化


typedef pcl::PointXYZ PointT;
typedef pcl::PointCloud<PointT> PointCloud;
void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{
	pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss;
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
	iss.setInputCloud(cloud);
	iss.setSearchMethod(tree);
	iss.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数
	iss.setSalientRadius(7);  // 设置用于计算协方差矩阵的球邻域半径
	iss.setNonMaxRadius(5);   // 设置非极大值抑制应用算法的半径
	iss.setThreshold21(0.95);     // 设定第二个和第一个特征值之比的上限
	iss.setThreshold32(0.95);     // 设定第三个和第二个特征值之比的上限
	iss.setMinNeighbors(6);       // 在应用非极大值抑制算法时，设置必须找到的最小邻居数
	iss.compute(*keypoint);
}

// 点云可视化
void visualize_pcd(PointCloud::Ptr pcd_src, PointCloud::Ptr pcd_tgt)
{
	//创建初始化目标
	pcl::visualization::PCLVisualizer viewer("registration Viewer");
	pcl::visualization::PointCloudColorHandlerCustom<PointT> src_h(pcd_src, 0, 255, 0);
	pcl::visualization::PointCloudColorHandlerCustom<PointT> tgt_h(pcd_tgt, 255, 0, 0);
	viewer.setBackgroundColor(0, 0, 0);
	viewer.addPointCloud(pcd_src, src_h, "source cloud");
	viewer.addPointCloud(pcd_tgt, tgt_h, "tgt cloud");

	while (!viewer.wasStopped())
	{
		viewer.spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(1000));
	}
}


// 计算特征点的3DSC描述子
void computeKeyPoints3DSC(PointCloud::Ptr& cloud_in, PointCloud::Ptr& key_cloud, pcl::PointCloud<pcl::ShapeContext1980>::Ptr& dsc)
{
	//------------------计算法线----------------------
	pcl::NormalEstimationOMP<PointT, pcl::Normal> n;//OMP加速
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	//建立kdtree来进行近邻点集搜索
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
	n.setNumberOfThreads(6);//设置openMP的线程数
	n.setInputCloud(key_cloud);
	n.setSearchSurface(cloud_in);
	n.setSearchMethod(tree);
	n.setKSearch(20);
	//n.setRadiusSearch(0.03);//半径搜素
	n.compute(*normals);
	cout << "法线计算完毕！！！" << endl;
	//-------------------计算3dsc-----------------------
	pcl::ShapeContext3DEstimation<PointT, pcl::Normal, pcl::ShapeContext1980> sc;
	sc.setInputCloud(key_cloud);
	sc.setInputNormals(normals);
	//kdTree加速
	sc.setSearchMethod(tree);
	sc.setMinimalRadius(4);     // 搜索球面(Rmin)的最小半径值。
	sc.setRadiusSearch(40);      // 设置用于确定用于特征估计的最近邻居的球体半径。
	sc.setPointDensityRadius(8);// 这个半径用于计算局部点密度=这个半径内的点数。
	sc.compute(*dsc);
	cout << "3DSC特征描述子计算完毕！！！" << endl;
}

int main(int argc, char** argv)
{
	// 加载点云文件
	PointCloud::Ptr source(new PointCloud);    // 源点云，待配准
	pcl::io::loadPCDFile("pcd/pig_view1.pcd", *source);
	PointCloud::Ptr target(new PointCloud);    // 目标点云
	pcl::io::loadPCDFile("pcd/pig_view2.pcd", *target);



	PointCloud::Ptr key_src(new PointCloud);
	PointCloud::Ptr key_tgt(new PointCloud);
	extract_keypoint(source, key_src);
	extract_keypoint(target, key_tgt);
	//计算3dsc
	pcl::PointCloud<pcl::ShapeContext1980>::Ptr sps_src(new pcl::PointCloud<pcl::ShapeContext1980>());
	pcl::PointCloud<pcl::ShapeContext1980>::Ptr sps_tgt(new pcl::PointCloud<pcl::ShapeContext1980>());
	computeKeyPoints3DSC(source, key_src, sps_src);
	computeKeyPoints3DSC(target, key_tgt, sps_tgt);

	//SAC配准
	pcl::SampleConsensusInitialAlignment<PointT, PointT, pcl::ShapeContext1980> scia;
	scia.setInputSource(key_src);
	scia.setInputTarget(key_tgt);
	scia.setSourceFeatures(sps_src);
	scia.setTargetFeatures(sps_tgt);
	scia.setMinSampleDistance(7);     // 设置样本之间的最小距离
	scia.setNumberOfSamples(100);       // 设置每次迭代计算中使用的样本数量（可省）,可节省时间
	scia.setCorrespondenceRandomness(6);// 在选择随机特征对应时，设置要使用的邻居的数量;
	PointCloud::Ptr sac_result(new PointCloud);
	scia.align(*sac_result);
	std::cout << "sac has converged:" << scia.hasConverged() << "  score: " << scia.getFitnessScore() << endl;
	Eigen::Matrix4f sac_trans;
	sac_trans = scia.getFinalTransformation();
	std::cout << sac_trans << endl;


	//icp配准
	PointCloud::Ptr icp_result(new PointCloud);
	pcl::IterativeClosestPoint<PointT, PointT> icp;
	icp.setInputSource(key_src);
	icp.setInputTarget(key_tgt);

	icp.setMaxCorrespondenceDistance(20);
	icp.setMaximumIterations(35);        // 最大迭代次数
	icp.setTransformationEpsilon(1e-10); // 两次变化矩阵之间的差值
	icp.setEuclideanFitnessEpsilon(0.01);// 均方误差
	icp.align(*icp_result, sac_trans);

	cout << "ICP has converged:" << icp.hasConverged() << " score: " << icp.getFitnessScore() << endl;
	Eigen::Matrix4f icp_trans;
	icp_trans = icp.getFinalTransformation();
	cout << icp_trans << endl;
	//使用创建的变换对未过滤的输入点云进行变换
	pcl::transformPointCloud(*source, *icp_result, icp_trans);

	//可视化
	visualize_pcd(icp_result, target);

	return (0);
}

 

关键代码解析：

我之前在iss关键点检测以及SAC-IA粗配准-CSDN博客

和Spin Image自旋图像描述符可视化以及ICP配准-CSDN博客以及本章第一部分已经解释了大部分函数，这里就不赘述了

结果：

配准结果，程序运行很慢，要等好久好久，可以适当调整参数，加快速度

2466ce8a268846268cf56df3af6ec61f.png

 

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1462540.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

angular-引用本地json文件

angular-引用本地json文件

angular-引用json文件&#xff0c;本地模拟数据时使用 在assets目录下存放json文件 大佬们的说法是&#xff1a;angular配置限定了资源文件的所在地&#xff08;就是assets的路径&#xff09;&#xff0c;放在其他文件夹中&#xff0c;angular在编译过程中会忽略&#xff0c;会…
阅读更多...
jpg图片太大怎么压缩？3种压缩方法，一学就会

jpg图片太大怎么压缩？3种压缩方法，一学就会

jpg图片太大怎么压缩&#xff1f;在日常生活和工作中&#xff0c;JPG图片过大不仅会导致存储空间的迅速消耗&#xff0c;还影响网络传输的速度&#xff0c;甚至在某些情况下&#xff0c;过大的图片文件还可能造成应用程序运行缓慢或崩溃&#xff0c;严重影响工作效率。因此&…
阅读更多...
【Maven】介绍、下载及安装、集成IDEA

【Maven】介绍、下载及安装、集成IDEA

目录 一、什么是Maven Maven的作用 Maven模型 Maven仓库 二、下载及安装 三、IDEA集成Maven 1、POM配置详解 2、配置Maven环境 局部配置 全局设置 四、创建Maven项目 五、Maven坐标详解 六、导入Maven项目 方式1&#xff1a;使用Maven面板&#xff0c;快速导入项目 …
阅读更多...
一周学会Django5 Python Web开发-Django5路由命名与反向解析reverse与resolve

一周学会Django5 Python Web开发-Django5路由命名与反向解析reverse与resolve

锋哥原创的Python Web开发 Django5视频教程&#xff1a; 2024版 Django5 Python web开发 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili2024版 Django5 Python web开发 视频教程(无废话版) 玩命更新中~共计25条视频&#xff0c;包括&#xff1a;2024版 Django5 Python we…
阅读更多...
【PyTorch][chapter 17][李宏毅深度学习]【无监督学习][ Auto-encoder]

【PyTorch][chapter 17][李宏毅深度学习]【无监督学习][ Auto-encoder]

前言&#xff1a; 本篇重点介绍AE&#xff08;Auto-Encoder&#xff09; 自编码器。这是深度学习的一个核心模型. 自编码网络是一种基于无监督学习方法的生成类模型,自编码最大特征输出等于输入 Yann LeCun&Bengio, Hinton 对无监督学习的看法. 目录&#xff1a; AE 模型原…
阅读更多...
【C++】字符类型和字符数组-string

【C++】字符类型和字符数组-string

STL-容器 - string 字符串必须具备结尾字符\0 #include<iostream> #include<string> using namespace std; //STL-容器 - string char ch[101];//字符串必须具备结尾字符\0 int main() {int n; cin >> n;for (int i 0; i < n; i) {cin >> ch[i];}…
阅读更多...
js如何抛异常,抛自定义的异常

js如何抛异常,抛自定义的异常

js如何抛异常,抛自定义的异常 最简单的自定义异常 throw "hello" 来自chrome123的控制台的测试 throw "hello" VM209:1 Uncaught hello &#xff08;匿名&#xff09; VM209:1 try{ throw "hello";}catch(e){console.log(e);} VM338:1 hello…
阅读更多...
每日coding 337打家劫舍III

每日coding 337打家劫舍III

337. 打家劫舍 III 小偷又发现了一个新的可行窃的地区。这个地区只有一个入口&#xff0c;我们称之为 root 。 除了 root 之外&#xff0c;每栋房子有且只有一个“父“房子与之相连。一番侦察之后&#xff0c;聪明的小偷意识到“这个地方的所有房屋的排列类似于一棵二叉树”。…
阅读更多...
08 按键消抖

08 按键消抖

在按键控制 LED中采用直接读取按键电平状态&#xff0c;然后根据电平状态控制LED。虽然直接读取按键电平状态然后执行相应处理程序的方法非常简单&#xff0c;但是这种方式可能存在误判问题&#xff0c;进而有可能导致程序功能异常&#xff0c;这是因为按键按下和松开时存在抖动…
阅读更多...
WordPress后台自定义登录和管理页面插件Admin Customizer

WordPress后台自定义登录和管理页面插件Admin Customizer

WordPress默认的后台登录页面和管理员&#xff0c;很多站长都想去掉或修改一些自己不喜欢的功能&#xff0c;比如登录页和管理页的主题样式、后台左侧菜单栏的某些菜单、仪表盘的一些功能、后台页眉页脚某些小细节等等。这里boke112百科推荐这款可以让我们轻松自定义后台登录页…
阅读更多...
定制学习风格、满足多元需求：Mr. Ranedeer 帮你打造 AI 家教 | 开源日报 No.178

定制学习风格、满足多元需求：Mr. Ranedeer 帮你打造 AI 家教 | 开源日报 No.178

JushBJJ/Mr.-Ranedeer-AI-Tutor Stars: 20.4k License: NOASSERTION Mr. Ranedeer 是一个个性化的 AI 辅导项目&#xff0c;主要功能包括使用 GPT-4 生成定制化提示&#xff0c;为用户提供个性化学习体验。其核心优势和特点包括&#xff1a; 调整知识深度以满足学习需求定制学…
阅读更多...
Nginx 和 Apache 的比较

Nginx 和 Apache 的比较

Nginx和Apache的对比 Nginx和Apache的优缺点比较 (1)nginx相对于apache的优点 ①轻量级&#xff0c;同样起web服务&#xff0c;比apache占用更少的内存及资源 ②抗并发&#xff0c;nginx处理请求是异步非阻塞的&#xff0c;而apache是阻塞型的在高并发下&#xff0c;nginx能保持…
阅读更多...
9.vue学习笔记(组件传递Props校验+组件事件-组件传递数据+组件事件-配合“v-model”使用)

9.vue学习笔记(组件传递Props校验+组件事件-组件传递数据+组件事件-配合“v-model”使用)

文章目录 1.组件传递Props校验1.1.默认值1.2.必选项1.3.注意事项&#xff1a;props 是只读的 2.组件事件-组件传递数据2.1.温馨提示&#xff1a;组件之间传递数据的方案 3.组件事件-配合“v-model”使用 1.组件传递Props校验 Vue组件可以更细致地声明对传入的 props 的校验要求…
阅读更多...
基于JAVA+SpringBoot+Vue的前后端分离的电子商城

基于JAVA+SpringBoot+Vue的前后端分离的电子商城

✌全网粉丝20W,csdn特邀作者、博客专家、CSDN新星计划导师、java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和毕业项目实战✌ &#x1f345;文末获取项目下载方式&#x1f345; 一、项目背景介绍&#xff1a; 在当今数字化时代&…
阅读更多...
人工智能与机器学习行业新闻：颠覆企业运营方式的 AI 趋势

人工智能与机器学习行业新闻：颠覆企业运营方式的 AI 趋势

AI 推动业务转型 人工智能 (AI) 和机器学习已经在重塑各行各业的业务模式。AI 通过处理和整合数据支持战略决策的制定&#xff0c;其规模和速度远远超过了人脑。无疑&#xff0c;未来我们还将在 AI 领域取得许多重大突破&#xff0c;而拥有大量数据的行业可能会从人工智能革命…
阅读更多...
C++ Primer 笔记（总结，摘要，概括）——第3章 字符串、向量和数组

C++ Primer 笔记（总结，摘要，概括）——第3章 字符串、向量和数组

目录 3.1 命名空间的using声明 3.2 标准库类型string 3.2.1 定义和初始化string对象 3.2.2 string对象上的操作 3.2.3 处理string对象中的字符 3.3 标准库类型vector 3.3.1 定义和初始化vector对象 3.3.2 向vector对象中添加元素 3.3.3 其他vector操作 3.4 迭代器介绍 3.4.…
阅读更多...
”戏说“ 交换机 与 路由器

”戏说“ 交换机 与 路由器

一般意义上说 老哥 这文章发表 的 东一榔头 西一锤 呵呵&#xff0c; 想到哪里就啰嗦到哪里 。 交换机&#xff1a; 其实就是在通道交换 路由器&#xff1a; 不光是在通道交换还要在协议上交换 下图你看懂了吗&#xff1f; &#xff08;仅仅数据交换-交换机 协议…
阅读更多...
安卓开发:挑战每天发布一个封装类02--Wav录音封装类AudioChannel 1.0

安卓开发:挑战每天发布一个封装类02--Wav录音封装类AudioChannel 1.0

简介 库名称&#xff1a;AudioChannel 版本:1.0 由于项目需求录音并base64编码存到服务器中&#xff0c;就顺手改装了一个别人的封装类 原封装类地址:Android AudioRecord音频录制wav文件输出 - 简书 (jianshu.com) 描述&#xff1a;此封装类基于AudioRecord实现wav的音频…
阅读更多...
10.CSS3的calc函数

10.CSS3的calc函数

CSS3 的 calc 函数 经典真题 CSS 的计算属性知道吗&#xff1f; CSS3 中的 calc 函数 calc 是英文单词 calculate&#xff08;计算&#xff09;的缩写&#xff0c;是 CSS3 的一个新增的功能。 MDN 的解释为可以用在任何长度、数值、时间、角度、频率等处&#xff0c;语法如…
阅读更多...
详细描述一下CrossOver2024版本的用途和作用？

详细描述一下CrossOver2024版本的用途和作用？

当然可以。CrossOver 是一款由 CODE WEAVERS 公司开发的软件&#xff0c;其主要目标是在 macOS 和 Linux 系统上实现与 Windows 应用程序的兼容性。它不同于传统的虚拟机&#xff0c;如 Parallels 或 VMware&#xff0c;因为它并不在 macOS 上创建一个完整的 Windows 环境。相反…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023