什么是fpfh特征
来源:互联网 发布:手机淘宝商家注册流程 编辑:程序博客网 时间:2024/05/29 04:45
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fpfh。也可以查看PCL的官网解释,中文版可直接搜索pcl中国fpfh。
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 <pcl/io/pcd_io.h>#include <ctime>#include <Eigen/Core>#include <pcl/point_types.h>#include <pcl/point_cloud.h>#include <pcl/features/fpfh.h>#include <pcl/registration/ia_ransac.h>#include <pcl/features/normal_3d.h>#include <pcl/kdtree/kdtree_flann.h>#include <pcl/visualization/pcl_visualizer.h>#include <boost/thread/thread.hpp>#include <pcl/features/fpfh_omp.h> //包含fpfh加速计算的omp(多核并行计算)#include <pcl/registration/correspondence_estimation.h>#include <pcl/registration/correspondence_rejection_features.h> //特征的错误对应关系去除#include <pcl/registration/correspondence_rejection_sample_consensus.h> //随机采样一致性去除#include <pcl/filters/voxel_grid.h>#include <pcl/filters/approximate_voxel_grid.h
为了方便记:
using namespace std;typedef pcl::PointCloud<pcl::PointXYZ> pointcloud;typedef pcl::PointCloud<pcl::Normal> pointnormal;typedef pcl::PointCloud<pcl::FPFHSignature33> 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<pcl::PointXYZ>::Ptr tree){ //法向量 pointnormal::Ptr point_normal (new pointnormal); pcl::NormalEstimation<pcl::PointXYZ,pcl::Normal> 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<pcl::PointXYZ,pcl::Normal,pcl::FPFHSignature33> est_target_fpfh; pcl::FPFHEstimationOMP<pcl::PointXYZ,pcl::Normal,pcl::FPFHSignature33> est_fpfh; est_fpfh.setNumberOfThreads(4); //指定4核计算 // pcl::search::KdTree<pcl::PointXYZ>::Ptr tree4 (new pcl::search::KdTree<pcl::PointXYZ> ()); 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"<<endl; return -1; } clock_t start,end,time; start = clock(); pointcloud::Ptr source (new pointcloud); pointcloud::Ptr target (new pointcloud); pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ()); 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<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> 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<<endl; //可视化 boost::shared_ptr<pcl::visualization::PCLVisualizer> 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<pcl::PointXYZ> sources_cloud_color(source,250,0,0); view->addPointCloud(source,sources_cloud_color,"sources_cloud_v1",v1); pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> 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<pcl::PointXYZ>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<pcl::PointXYZ>(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<pcl::PointXYZ> approximate_voxel_grid; pcl::VoxelGrid<pcl::PointXYZ> 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()<<endl; // pcl::io::savePCDFile("voxelgrid.pcd",*out);
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pcl可视化那些事,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<pcl::FPFHSignature33,pcl::FPFHSignature33> crude_cor_est; boost::shared_ptr<pcl::Correspondences> 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:"<<cru_correspondences->size()<<endl;
效果(粗配)
0 0
- 什么是fpfh特征
- 快速特征点直方图描述器(FPFH)
- 快速特征点直方图描述器(FPFH)
- FPFH粗配准
- 什么是特征点、特征描述、特征匹配
- 什么是算法及其特征
- 什么是图像特征
- 对FPFH的问答
- 图像特征概念、什么是图像特征
- 什么是特征工程?如何进行特征工程?
- 机器学习入门讲解:什么是特征和特征选择
- 什么是事务,事务有哪些特征
- 什么是自组织特征映射网络?
- 机器学习3-什么是好的特征
- XML简明教程(10)什么是主/细节特征
- XML简明教程(10)什么是主/细节特征
- 究竟什么是Semantic Web,它有什么标志特征?
- javascript简介,什么是 JavaScript?,JS的特征,开发环境
- 485. Max Consecutive Ones -- array、栈
- hdu 4405 Aeroplane chess
- 事件委托
- L1-030. 一帮一
- Docker
- 什么是fpfh特征
- C++学习 第一天
- C++之操作符重载(三)
- freopen函数详解
- 记录第一次搭建php接口管理工程
- OPENCV3.0 单目摄像头标定(使用官方自带的标定图片)
- 51nod 1138 连续整数的和(数学)
- Struts2(三)——数据在框架中的数据流转问题
- 【php基础班】第3天 超链接a、table标签、表单、透明的flash实例