本文主要是介绍SUSAN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、SUSAN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/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/common/common_headers.h>
#include <pcl/keypoints/susan.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::SUSANKeypoint<pcl::PointXYZ, pcl::PointXYZI> SUSAN1;SUSAN1.setInputCloud(cloud);SUSAN1.setSearchMethod(tree);SUSAN1.setRadius(3.0f); // 设置正常估计和非最大抑制的半径SUSAN1.setDistanceThreshold(0.01f); // 设置距离阈值SUSAN1.setAngularThreshold(0.01f); // 设置用于角点检测的角度阈值SUSAN1.setIntensityThreshold(0.1f); // 设置用于角点检测的强度阈值SUSAN1.setNonMaxSupression(true); // 对响应应用非最大值抑制,以保持最强角。SUSAN1.compute(*keypoints1);pcl::PointCloud<pcl::PointXYZ>::Ptr keys1(new pcl::PointCloud<pcl::PointXYZ>);pcl::copyPointCloud(*keypoints1, *keys1);pcl::SUSANKeypoint<pcl::PointXYZ, pcl::PointXYZI> SUSAN2;SUSAN2.setInputCloud(cloud_target);SUSAN2.setSearchMethod(tree);SUSAN2.setRadius(3.0f); // 设置正常估计和非最大抑制的半径SUSAN2.setDistanceThreshold(0.01f); // 设置距离阈值SUSAN2.setAngularThreshold(0.01f); // 设置用于角点检测的角度阈值SUSAN2.setIntensityThreshold(0.1f); // 设置用于角点检测的强度阈值SUSAN2.setNonMaxSupression(true); // 对响应应用非最大值抑制,以保持最强角。SUSAN2.compute(*keypoints2);pcl::PointCloud<pcl::PointXYZ>::Ptr keys2(new pcl::PointCloud<pcl::PointXYZ>);pcl::copyPointCloud(*keypoints2, *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("SUSAN");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("SUSAN");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("SUSAN");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("SUSAN");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::PointCloud<pcl::PointXYZI>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZI>);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
pcl::SUSANKeypoint<pcl::PointXYZ, pcl::PointXYZI> SUSAN1;
SUSAN1.setInputCloud(cloud);
SUSAN1.setSearchMethod(tree);
SUSAN1.setRadius(3.0f); // 设置正常估计和非最大抑制的半径
SUSAN1.setDistanceThreshold(0.01f); // 设置距离阈值
SUSAN1.setAngularThreshold(0.01f); // 设置用于角点检测的角度阈值
SUSAN1.setIntensityThreshold(0.1f); // 设置用于角点检测的强度阈值
SUSAN1.setNonMaxSupression(true); // 对响应应用非最大值抑制,以保持最强角。
SUSAN1.compute(*keypoints1);
pcl::PointCloud<pcl::PointXYZ>::Ptr keys1(new pcl::PointCloud<pcl::PointXYZ>);
pcl::copyPointCloud(*keypoints1, *keys1);
-
pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZI>);
:创建了一个指向存储PointXYZI类型的点云的指针,该点云用于存储检测到的关键点的坐标及其强度信息。 -
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
:创建了一个KD树,用于最近邻搜索。 -
pcl::SUSANKeypoint<pcl::PointXYZ, pcl::PointXYZI> SUSAN1;
:创建了一个SUSAN关键点检测器对象。 -
SUSAN1.setInputCloud(cloud);
:设置输入点云数据。这里假设cloud
是一个pcl::PointCloud<pcl::PointXYZ>
类型的点云数据。 -
SUSAN1.setSearchMethod(tree);
:设置最近邻搜索方法为之前创建的KD树。 -
SUSAN1.setRadius(3.0f);
:设置用于角点检测的半径大小。这个半径决定了在每个点周围的搜索区域的大小,较大的半径可能会导致检测到更多的关键点。 -
SUSAN1.setDistanceThreshold(0.01f);
:设置距离阈值。这个阈值用于过滤掉与周围点距离过远的候选点,较大的值将允许更远的点被考虑为关键点。 -
SUSAN1.setAngularThreshold(0.01f);
:设置角度阈值。这个阈值用于控制在检测角点时考虑的角度范围,较大的值将允许更大的角度范围内的点被检测为关键点。 -
SUSAN1.setIntensityThreshold(0.1f);
:设置强度阈值。这个阈值用于控制在检测角点时考虑的点云强度(或灰度)的范围,较大的值将允许更强或更弱的点被检测为关键点。 -
SUSAN1.setNonMaxSupression(true);
:设置是否对响应应用非最大值抑制,以保持最强的角点。 -
SUSAN1.compute(*keypoints1);
:运行SUSAN关键点检测算法,将检测到的关键点存储在keypoints1
中。 -
pcl::PointCloud<pcl::PointXYZ>::Ptr keys1(new pcl::PointCloud<pcl::PointXYZ>);
:创建了一个新的点云对象,用于存储不带强度信息的关键点。 -
pcl::copyPointCloud(*keypoints1, *keys1);
:将带有强度信息的关键点复制到新的点云对象keys1
中,去除强度信息,得到不带强度的关键点。
参数的变大或变小会直接影响到检测到的关键点的数量、位置和质量。例如,增加半径、距离阈值、角度阈值和强度阈值可能会导致检测到更多的关键点,而减小这些值则会使得更少的点被检测为关键点。
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、SUSAN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/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>
#include <pcl/keypoints/susan.h>
using namespace std;
void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{pcl::SUSANKeypoint<pcl::PointXYZ, pcl::PointXYZI> SUSAN;pcl::PointCloud<pcl::PointXYZI>::Ptr keypoint1(new pcl::PointCloud<pcl::PointXYZI>());pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());SUSAN.setInputCloud(cloud);SUSAN.setSearchMethod(tree);SUSAN.setRadius(3.0f); // 设置正常估计和非最大抑制的半径SUSAN.setDistanceThreshold(0.01f); // 设置距离阈值SUSAN.setAngularThreshold(0.01f); // 设置用于角点检测的角度阈值SUSAN.setIntensityThreshold(0.1f); // 设置用于角点检测的强度阈值SUSAN.setNonMaxSupression(true); // 对响应应用非最大值抑制,以保持最强角。SUSAN.compute(*keypoint1);pcl::copyPointCloud(*keypoint1, *keypoint);
}
pcl::PointCloud<pcl::FPFHSignature33>::Ptr compute_fpfh_feature(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{pcl::search::KdTree<pcl::PointXYZ>::Ptr tree;pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;pcl::PointIndices::Ptr inliers(new pcl::PointIndices());int i = 0;for (auto p : cloud->points){for (auto k : keypoint->points){if (k.x == p.x && k.y == p.y && k.z == p.z){inliers->indices.push_back(i);}}i++;}n.setInputCloud(cloud);n.setSearchMethod(tree);n.setKSearch(10);n.compute(*normals);pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfh(new pcl::PointCloud<pcl::FPFHSignature33>);pcl::FPFHEstimationOMP<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> f;f.setIndices(inliers);f.setNumberOfThreads(8);f.setInputCloud(cloud);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::PointXYZ>::Ptr s_k, pcl::PointCloud<pcl::PointXYZ>::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;scia.setInputSource(s_k);scia.setInputTarget(t_k);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("v1"));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->setWindowName("SUSAN");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::PointXYZ>::Ptr s_k(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr t_k(new pcl::PointCloud<pcl::PointXYZ>);extract_keypoint(cloud, s_k);extract_keypoint(cloud_target, t_k);pcl::PointCloud<pcl::FPFHSignature33>::Ptr sk_fpfh = compute_fpfh_feature(cloud, s_k);pcl::PointCloud<pcl::FPFHSignature33>::Ptr tk_fpfh = compute_fpfh_feature(cloud_target, 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);boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer2(new pcl::visualization::PCLVisualizer("v2"));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->setWindowName("SUSAN");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,很快就能出结果
注意:运行的时候用visual studio的Release模式,Debug模式会报错,除非去掉 SUSAN.setNonMaxSupression(true); 才能在Debug运行,但是配准速度会非常慢。
这篇关于SUSAN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!