Harris关键点检测以及SAC-IA粗配准

2024-02-16 15:44
文章标签 检测 harris 配准 关键点 sac ia

本文主要是介绍Harris关键点检测以及SAC-IA粗配准，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、Harris关键点检测

C++

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/keypoints/harris_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/cloud_viewer.h> 
#include <pcl/common/common_headers.h>
using namespace std;int main(int, char** argv)
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//要配准变化的点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>);//目标点云(不变的）if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1){PCL_ERROR("加载点云失败\n");}if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *cloud_target) == -1){PCL_ERROR("加载点云失败\n");}pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZI>);pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints2(new pcl::PointCloud<pcl::PointXYZI>);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris1;harris1.setSearchMethod(tree);harris1.setInputCloud(cloud);harris1.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数harris1.setRadius(4);  //方块半径harris1.setRadiusSearch(4);harris1.setNonMaxSupression(true);//harris1.setThreshold(1E-6);harris1.compute(*keypoints1);pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris2;harris2.setSearchMethod(tree);harris2.setInputCloud(cloud_target);harris2.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数harris2.setRadius(4);  //方块半径harris2.setRadiusSearch(4);harris2.setNonMaxSupression(true);//harris2.setThreshold(1E-6);harris2.compute(*keypoints2);pcl::PointIndicesConstPtr keypoints1_indices = harris1.getKeypointsIndices();pcl::PointCloud<pcl::PointXYZ>::Ptr keys1(new pcl::PointCloud<pcl::PointXYZ>);pcl::copyPointCloud(*cloud, *keypoints1_indices, *keys1);pcl::PointIndicesConstPtr keypoints2_indices = harris2.getKeypointsIndices();pcl::PointCloud<pcl::PointXYZ>::Ptr keys2(new pcl::PointCloud<pcl::PointXYZ>);pcl::copyPointCloud(*cloud_target, *keypoints2_indices, *keys2);关键点显示boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer1(new pcl::visualization::PCLVisualizer("v1"));viewer1->setBackgroundColor(0, 0, 0);viewer1->setWindowName("Harris");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color1(keys1, 0.0, 255.0, 0.0);viewer1->addPointCloud<pcl::PointXYZ>(keys1, in_color1, "key_color");//特征点viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");while (!viewer1->wasStopped()){viewer1->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer2(new pcl::visualization::PCLVisualizer("v2"));viewer2->setBackgroundColor(0, 0, 0);viewer2->setWindowName("Harris");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color2(keys2, 0.0, 255.0, 0.0);viewer2->addPointCloud<pcl::PointXYZ>(keys2, in_color2, "key_color");//特征点viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");while (!viewer2->wasStopped()){viewer2->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer3(new pcl::visualization::PCLVisualizer("v3"));viewer3->setBackgroundColor(0, 0, 0);viewer3->setWindowName("Harris");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color3(cloud, 0.0, 255.0, 0.0);viewer3->addPointCloud<pcl::PointXYZ>(cloud, in_color3, "in_color");viewer3->addPointCloud<pcl::PointXYZ>(keys1, "key_color");//特征点viewer3->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");viewer3->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "key_color");while (!viewer3->wasStopped()){viewer3->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer4(new pcl::visualization::PCLVisualizer("v4"));viewer4->setBackgroundColor(0, 0, 0);viewer4->setWindowName("Harris");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> in_color4(cloud_target, 0.0, 255.0, 0.0);viewer4->addPointCloud<pcl::PointXYZ>(cloud_target, in_color4, "in_color");viewer4->addPointCloud<pcl::PointXYZ>(keys2, "key_color");//特征点viewer4->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key_color");viewer4->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "key_color");while (!viewer4->wasStopped()){viewer4->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}return 0;}

关键代码解析：


pcl::PointCloudpcl::PointXYZI::Ptr keypoints1(new pcl::PointCloudpcl::PointXYZI);
pcl::search::KdTreepcl::PointXYZ::Ptr tree(new pcl::search::KdTreepcl::PointXYZ());
pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris1;
harris1.setSearchMethod(tree);
harris1.setInputCloud(cloud);
harris1.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数
harris1.setRadius(4);  //方块半径
harris1.setRadiusSearch(4);
harris1.setNonMaxSupression(true);
harris1.setThreshold(1E-6);
harris1.compute(*keypoints1);
pcl::PointIndicesConstPtr keypoints1_indices = harris1.getKeypointsIndices();
pcl::PointCloudpcl::PointXYZ::Ptr keys1(new pcl::PointCloudpcl::PointXYZ);
pcl::copyPointCloud(*cloud, *keypoints1_indices, *keys1);

  1. pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZI>);：创建一个指向包含带有强度信息的三维关键点的点云的指针。harris1.compute()成员函数只能放入pcl::PointCloud<pcl::PointXYZI>类型的变量。

  2. pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());：创建一个KD树搜索对象的指针，用于在点云中搜索最近邻点。

  3. pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris1;：创建一个Harris角点检测对象。这里指定输入点的类型为pcl::PointXYZ，输出点的类型为pcl::PointXYZI，即带有强度信息的点。

  4. harris1.setSearchMethod(tree);：设置Harris角点检测中使用的搜索方法为KD树搜索。

  5. harris1.setInputCloud(cloud);：设置输入点云，即要在其上执行Harris角点检测的点云。

  6. harris1.setNumberOfThreads(8);：初始化并设置用于计算的线程数。在这里，设置为8个线程。

  7. harris1.setRadius(4);：设置用于Harris角点检测的立方体的半边长。这个参数用于确定局部区域以计算Harris角点响应。

  8. harris1.setRadiusSearch(4);：设置用于搜索最近邻点的球形邻域的半径。这个参数控制着点云中每个点的邻域大小。

  9. harris1.setNonMaxSupression(true);：设置是否进行非最大抑制，以在检测到的角点之间进行抑制，只保留局部最大值。

  10. harris1.setThreshold(1E-6);：设置Harris响应阈值。只有大于此阈值的角点才会被保留。

  11. harris1.compute(*keypoints1);：执行Harris角点检测，并将检测到的角点存储在keypoints1中。

  12. pcl::PointIndicesConstPtr keypoints1_indices = harris1.getKeypointsIndices();：获取检测到的角点的索引。

  13. pcl::PointCloud<pcl::PointXYZ>::Ptr keys1(new pcl::PointCloud<pcl::PointXYZ>);：创建一个新的点云对象，用于存储没有强度信息的角点。

  14. pcl::copyPointCloud(*cloud, *keypoints1_indices, *keys1);：将检测到的角点从原始点云中复制到新创建的点云对象中。

这些参数的设置会影响Harris角点检测的性能和结果。例如，调整半径、阈值和是否进行非最大抑制会影响检测到的角点数量和质量。增加线程数可以加速计算，但也会增加计算资源的消耗。

结果：

输入点云的关键点 

 输出点云的关键点 

 

输入点云的关键点与输入点云一起展示 

 

输出点云的关键点与输出点云一起展示  

 

二、NARF关键点检测及SAC-IA粗配准  

C++

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/keypoints/harris_3d.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/features/fpfh_omp.h>  
#include <pcl/common/common_headers.h>
#include <pcl/registration/ia_ransac.h>
using namespace std;
void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZI>::Ptr& keypoint)
{pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());harris.setSearchMethod(tree);harris.setInputCloud(cloud);harris.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数harris.setRadius(4);  //方块半径harris.setRadiusSearch(4);harris.setNonMaxSupression(true);//harris.setThreshold(1E-6);harris.compute(*keypoint);}
pcl::PointCloud<pcl::FPFHSignature33>::Ptr compute_fpfh_feature(pcl::PointCloud<pcl::PointXYZI>::Ptr& keypoint)
{pcl::search::KdTree<pcl::PointXYZI>::Ptr tree;pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);pcl::NormalEstimation<pcl::PointXYZI, pcl::Normal> n;n.setInputCloud(keypoint);n.setSearchMethod(tree);n.setKSearch(10);n.compute(*normals);pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfh(new pcl::PointCloud<pcl::FPFHSignature33>);pcl::FPFHEstimationOMP<pcl::PointXYZI, pcl::Normal, pcl::FPFHSignature33> f;f.setNumberOfThreads(8);f.setInputCloud(keypoint);f.setInputNormals(normals);f.setSearchMethod(tree);f.setRadiusSearch(50);f.compute(*fpfh);return fpfh;
}
pcl::PointCloud<pcl::PointXYZ>::Ptr sac_align(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZI>::Ptr s_k, pcl::PointCloud<pcl::PointXYZI>::Ptr t_k, pcl::PointCloud<pcl::FPFHSignature33>::Ptr sk_fpfh, pcl::PointCloud<pcl::FPFHSignature33>::Ptr tk_fpfh)
{pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> scia;pcl::PointCloud<pcl::PointXYZ>::Ptr s_k1(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr t_k1(new pcl::PointCloud<pcl::PointXYZ>);pcl::copyPointCloud(*s_k, *s_k1);pcl::copyPointCloud(*t_k, *t_k1);scia.setInputSource(s_k1);scia.setInputTarget(t_k1);scia.setSourceFeatures(sk_fpfh);scia.setTargetFeatures(tk_fpfh);scia.setMinSampleDistance(7);///参数：设置采样点之间的最小距离，满足的被当做采样点scia.setNumberOfSamples(100);设置每次迭代设置采样点的个数(这个参数多可以增加配准精度)scia.setCorrespondenceRandomness(6);//设置选择随机特征对应点时要使用的邻域点个数。值越大，特征匹配的随机性就越大pcl::PointCloud<pcl::PointXYZ>::Ptr sac_result(new pcl::PointCloud<pcl::PointXYZ>);scia.align(*sac_result);pcl::transformPointCloud(*cloud, *sac_result, scia.getFinalTransformation());return sac_result;
}
int main(int, char** argv)
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//要配准变化的点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>);//目标点云(不变的）if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1){PCL_ERROR("加载点云失败\n");}if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *cloud_target) == -1){PCL_ERROR("加载点云失败\n");}boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer1(new pcl::visualization::PCLVisualizer("v2"));viewer1->setWindowName("Harris");viewer1->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色// 对目标点云着色可视化 (red).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color1(cloud_target, 255, 0, 0);viewer1->addPointCloud<pcl::PointXYZ>(cloud_target, target_color1, "target cloud");viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");// 对源点云着色可视化 (green).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color1(cloud, 0, 255, 0);viewer1->addPointCloud<pcl::PointXYZ>(cloud, input_color1, "input cloud");viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");while (!viewer1->wasStopped()){viewer1->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}///粗配准pcl::PointCloud<pcl::PointXYZI>::Ptr s_k(new pcl::PointCloud<pcl::PointXYZI>);pcl::PointCloud<pcl::PointXYZI>::Ptr t_k(new pcl::PointCloud<pcl::PointXYZI>);extract_keypoint(cloud, s_k);extract_keypoint(cloud_target, t_k);pcl::PointCloud<pcl::FPFHSignature33>::Ptr sk_fpfh = compute_fpfh_feature(s_k);pcl::PointCloud<pcl::FPFHSignature33>::Ptr tk_fpfh = compute_fpfh_feature(t_k);pcl::PointCloud<pcl::PointXYZ>::Ptr result(new pcl::PointCloud<pcl::PointXYZ>);result = sac_align(cloud, s_k, t_k, sk_fpfh, tk_fpfh);//可视化cout << "读取点云个数: " << cloud->points.size() << endl;cout << "Harris_3D points 的提取结果为 " << s_k->points.size() << endl;//配准可视化boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer2(new pcl::visualization::PCLVisualizer("v2"));viewer2->setWindowName("Harris");viewer2->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色// 对目标点云着色可视化 (red).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color2(cloud_target, 255, 0, 0);viewer2->addPointCloud<pcl::PointXYZ>(cloud_target, target_color2, "target cloud");viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");// 对源点云着色可视化 (green).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color2(result, 0, 255, 0);viewer2->addPointCloud<pcl::PointXYZ>(result, input_color2, "input cloud");viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");while (!viewer2->wasStopped()){viewer2->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}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：

输入点云与输出点云

配准后的输入点云与输出点云，实际效果相对较好，运行不算慢，只要一两分钟就能出结果 

 

这篇关于Harris关键点检测以及SAC-IA粗配准的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/714989。

相关文章

Python如何实现PDF隐私信息检测

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今，数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形
阅读更多...
SpringBoot使用Apache Tika检测敏感信息

SpringBoot使用Apache Tika检测敏感信息

《SpringBoot使用ApacheTika检测敏感信息》ApacheTika是一个功能强大的内容分析工具,它能够从多种文件格式中提取文本、元数据以及其他结构化信息,下面我们来看看如何使用Ap... 目录Tika 主要特性1. 多格式支持2. 自动文件类型检测3. 文本和元数据提取4. 支持 OCR（光学
阅读更多...
综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动，这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升：减少抖动，提高图像的清晰度和细节表现力，使得监控画面更加真实可信。 - 细节增强：在低光条件下，抖
阅读更多...
烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集，专门用于烟火目标检测，是一个非常有价值的资源，尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍： 数据集名称：烟火目标检测数据集 数据集规模： 图片数量：7800张类别：主要包含烟火类目标，可能还包括其他相关类别，如烟火发射装置、背景等。格式：图像文件通常为JPEG或PNG格式；标注文件可能为X
阅读更多...
基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用

基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用

在城市发展中，积水问题日益严重，特别是在大雨过后，积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术，我们能够智能化地检测和识别积水区域，减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统，结合深度学习和直观的图形界面，为用户提供高效的解决方案。 源码地址： PyQt5+YoloV5 实现积水检测系统 预览： 项目背景
阅读更多...
JavaFX应用更新检测功能（在线自动更新方案）

JavaFX应用更新检测功能（在线自动更新方案）

JavaFX开发的桌面应用属于C端，一般来说需要版本检测和自动更新功能，这里记录一下一种版本检测和自动更新的方法。 1. 整体方案 JavaFX.应用版本检测、自动更新主要涉及一下步骤： 读取本地应用版本拉取远程版本并比较两个版本如果需要升级，那么拉取更新历史弹出升级控制窗口用户选择升级时，拉取升级包解压，重启应用用户选择忽略时，本地版本标志为忽略版本用户选择取消时，隐藏升级控制窗口 2.
阅读更多...
[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别

[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2757 标注数量(xml文件个数)：2757 标注数量(txt文件个数)：2757 标注类别数：4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数：
阅读更多...
Temu官方宣导务必将所有的点位材料进行检测-RSL资质检测

Temu官方宣导务必将所有的点位材料进行检测-RSL资质检测

关于饰品类产品合规问题宣导： 产品法规RSL要求 RSL测试是根据REACH法规及附录17的要求进行测试。REACH法规是欧洲一项重要的法规，其中包含许多对化学物质进行限制的规定和高度关注物质。 为了确保珠宝首饰的安全性，欧盟REACH法规规定，珠宝首饰上架各大电商平台前必须进行RSLReport(欧盟禁限用化学物质检测报告)资质认证，以确保产品不含对人体有害的化学物质。 RSL-铅，
阅读更多...
YOLOv8/v10+DeepSORT多目标车辆跟踪（车辆检测/跟踪/车辆计数/测速/禁停区域/绘制进出线/绘制禁停区域/车道车辆统计）

YOLOv8/v10+DeepSORT多目标车辆跟踪（车辆检测/跟踪/车辆计数/测速/禁停区域/绘制进出线/绘制禁停区域/车道车辆统计）

01：YOLOv8 + DeepSort 车辆跟踪 该项目利用YOLOv8作为目标检测模型，DeepSort用于多目标跟踪。YOLOv8负责从视频帧中检测出车辆的位置，而DeepSort则负责关联这些检测结果，从而实现车辆的持续跟踪。这种组合使得系统能够在视频流中准确地识别并跟随特定车辆。 02：YOLOv8 + DeepSort 车辆跟踪 + 任意绘制进出线 在此基础上增加了用户
阅读更多...
独立按键单击检测（延时消抖+定时器扫描）

独立按键单击检测（延时消抖+定时器扫描）

目录 独立按键简介 按键抖动 模块接线 延时消抖 Key.h Key.c 定时器扫描按键代码 Key.h Key.c main.c 思考  MultiButton按键驱动 独立按键简介 ​ 轻触按键相当于一种电子开关，按下时开关接通，松开时开关断开，实现原理是通过轻触按键内部的金属弹片受力弹动来实现接通与断开。  ​ 按键抖动 由于按键内部使用的是机
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2