什么是fpfh特征

有关快速点云直方图（fpfh）特征的数学描述，在这里不做过多介绍，可以查看。也可以查看PCL的官网解释，中文版可直接搜索。

主程序

首先还是一堆头文件(当然好多头文件在这里没用到，可自行删除)

#include 
    
     #include 
     
      #include 
      
       #include 
       
        #include 
        
         #include 
         
          #include 
          
           #include 
           
            #include 
            
             #include 
             
              #include 
              
               #include 
               
                 //包含fpfh加速计算的omp(多核并行计算)#include 
                
                 #include 
                 
                   //特征的错误对应关系去除#include 
                  
                    //随机采样一致性去除#include 
                   
                    #include

为了方便记：

using namespace std;typedef pcl::PointCloud
    
      pointcloud;typedef pcl::PointCloud
     
       pointnormal;typedef pcl::PointCloud
      
        fpfhFeature;

为了使用fpfp特征匹配，声明一个计算fpfh特征点的函数：

fpfhFeature::Ptr compute_fpfh_feature(pointcloud::Ptr input_cloud,pcl::search::KdTree
    
     ::Ptr tree){        //法向量        pointnormal::Ptr point_normal (new pointnormal);        pcl::NormalEstimation
     
       est_normal;        est_normal.setInputCloud(input_cloud);        est_normal.setSearchMethod(tree);        est_normal.setKSearch(10);        est_normal.compute(*point_normal);        //fpfh 估计        fpfhFeature::Ptr fpfh (new fpfhFeature);        //pcl::FPFHEstimation
      
        est_target_fpfh;        pcl::FPFHEstimationOMP
       
         est_fpfh;        est_fpfh.setNumberOfThreads(4); //指定4核计算        // pcl::search::KdTree
        
         ::Ptr tree4 (new pcl::search::KdTree
         
           ()); est_fpfh.setInputCloud(input_cloud); est_fpfh.setInputNormals(point_normal); est_fpfh.setSearchMethod(tree); est_fpfh.setKSearch(10); est_fpfh.compute(*fpfh); return fpfh; }

可以看出，在计算Fpfh特征时，首先需要计算点集的法向量（法向量是点云的一个非常重要的特征，本该单独处理，仅在这里为了方便，少写两行代码，将其封装在FPFH特征的计算中），根据计算好的法向量，计算FPFH特征。计算fpfh特征时，近邻点集个数不易取得过大，，否则一则导致计算量增大，二会使得fpfh的计算失去意义（通其他特征计算一样，过大的近邻点集合不能反映局部特征）。

主函数:

int main (int argc, char **argv){        if (argc < 3)        {                cout<<"please input two pointcloud"<
    
     ::Ptr tree (new pcl::search::KdTree
     
       ());        fpfhFeature::Ptr source_fpfh =  compute_fpfh_feature(source,tree);        fpfhFeature::Ptr target_fpfh =  compute_fpfh_feature(target,tree);                 //对齐(占用了大部分运行时间)        pcl::SampleConsensusInitialAlignment
      
        sac_ia;        sac_ia.setInputSource(source);        sac_ia.setSourceFeatures(source_fpfh);        sac_ia.setInputTarget(target);        sac_ia.setTargetFeatures(target_fpfh);        pointcloud::Ptr align (new pointcloud);        //  sac_ia.setNumberOfSamples(20);  //设置每次迭代计算中使用的样本数量（可省）,可节省时间        sac_ia.setCorrespondenceRandomness(6); //设置计算协方差时选择多少近邻点，该值越大，协防差越精确，但是计算效率越低.(可省)        sac_ia.align(*align);         end = clock();        cout <<"calculate time is: "<< float (end-start)/CLOCKS_PER_SEC<
       
         view (new pcl::visualization::PCLVisualizer("fpfh test"));        int v1;        int v2;                view->createViewPort(0,0.0,0.5,1.0,v1);        view->createViewPort(0.5,0.0,1.0,1.0,v2);        view->setBackgroundColor(0,0,0,v1);        view->setBackgroundColor(0.05,0,0,v2);        pcl::visualization::PointCloudColorHandlerCustom
        
          sources_cloud_color(source,250,0,0);        view->addPointCloud(source,sources_cloud_color,"sources_cloud_v1",v1);        pcl::visualization::PointCloudColorHandlerCustom
         
           target_cloud_color (target,0,250,0); view->addPointCloud(target,target_cloud_color,"target_cloud_v1",v1); view->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,2,"sources_cloud_v1"); pcl::visualization::PointCloudColorHandlerCustom
          
           aligend_cloud_color(final,255,0,0); view->addPointCloud(align,aligend_cloud_color,"aligend_cloud_v2",v2); view->addPointCloud(target,target_cloud_color,"target_cloud_v2",v2); view->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,4,"aligend_cloud_v2"); view->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE,2,"target_cloud_v2"); // view->addCorrespondences
           
            (source,target,*cru_correspondences,"correspondence",v1);//添加显示对应点对 while (!view->wasStopped()) { // view->spin(); view->spinOnce(100); boost::this_thread::sleep (boost::posix_time::microseconds (100000)); } pcl::io::savePCDFile ("crou_output.pcd", *align); // pcl::io::savePCDFile ("final_align.pcd", *final); return 0;}

采用FPFH特征配准，效果不错，但是计算效率非常低，尤其针对大规模点云数据时。所以，很多时候，都先对原始点云进行简化，对简化后的数据做配准计算，在将所获得的配准参数应用到原始点云，以提高计算效率。

体素网格简化

主要程序：

//pcl::ApproximateVoxelGrid
    
      approximate_voxel_grid;        pcl::VoxelGrid
     
       approximate_voxel_grid;        approximate_voxel_grid.setLeafSize(0.5,0.5,0.5); //网格边长.这里的数值越大，则精简的越厉害（剩下的数据少）        pointcloud::Ptr source (new pointcloud);        pointcloud::Ptr sample_sources (new pointcloud);        approximate_voxel_grid.setInputCloud(source);        approximate_voxel_grid.filter(*sample_source);        cout << "source voxel grid  Filte cloud size is " << sample_source->size()<

针对体素网格简化，PCL提供了两种方法：其一，pcl::ApproximateVoxelGrid<pcl::PointXYZ> 类；其二， pcl::VoxelGrid<pcl::PointXYZ>类。可以看出，第二中比第一中少了“大约”approximate，也就是说第二种某些情况下比第一种更精确。原因是：第一种方法是利用体素网格的中心（长方体的中心）代替原始点，而第二种则是对体素网格中所有点求均值，以期望均值点代替原始点集

可视化

在如上主程序中，已经包含了可视化的功能，更过可视化可看我的博客，在这里，细致的讲一下如何添加对应点对的可视化功能。

要可视化对应关系，首先需要计算对应关系,本文配准为例：

pcl::registration::CorrespondenceEstimation
    
      crude_cor_est;      boost::shared_ptr
     
       cru_correspondences (new pcl::Correspondences);      crude_cor_est.setInputSource(source_fpfh);      crude_cor_est.setInputTarget(target_fpfh);        //  crude_cor_est.determineCorrespondences(cru_correspondences);      crude_cor_est.determineReciprocalCorrespondences(*cru_correspondences);      cout<<"crude size is:"<
      
       size()<

效果(粗配)

图片描述

转载地址：http://mixkl.baihongyu.com/

你可能感兴趣的文章