【PCL】教程 implicit_shape_model.cpp 3D点云数据的对象识别利用隐式形状模型进行训练和识别...

本文主要是介绍【PCL】教程 implicit_shape_model.cpp 3D点云数据的对象识别利用隐式形状模型进行训练和识别...，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！

ism_test_cat.pcd

参数：ism_train_cat.pcd 0 ism_train_horse.pcd 1 ism_train_lioness.pcd 2 ism_train_michael.pcd 3 ism_train_wolf.pcd 4 ism_test_cat.pcd 0

这里红点表示对应感兴趣类别的对象预测中心

./ism_test ism_train_cat.pcd 0 ism_train_horse.pcd 1 ism_train_lioness.pcd 2 ism_train_michael.pcd 3 ism_train_wolf.pcd 4 ism_test_cat.pcd 0
./ism_test ism_train_cat.pcd 0 ism_train_horse.pcd 1 ism_train_lioness.pcd 2 ism_train_michael.pcd 3 ism_train_wolf.pcd 4 ism_test_horse.pcd 1

这段代码是一个使用PCL（Point Cloud Library）的C++程序，用于3D点云数据的识别训练和测试。程序的流程可以分为几个主要步骤：

参数检查：程序首先检查传入的参数数量，确保至少有一个训练云和一个测试云，每个云都需要有一个类别ID。
训练数据准备：

使用pcl::NormalEstimation为每个训练点云计算法线。
读取训练点云文件，计算法线，然后将点云、法线以及类别ID分别存储。

特征提取：接着，使用pcl::FPFHEstimation为每个点计算FPFH（Fast Point Feature Histograms）特征。

隐式形状模型训练：之后，使用pcl::ism::ImplicitShapeModelEstimation完成隐式形状模型的训练。这个过程中，将使用到上一步骤计算得到的特征，同时输入训练用的点云数据、法线以及类别ID。

模型保存与加载：训练得到的模型将保存到文件中，可以在后续进行加载和使用。

测试数据处理：与训练数据类似，为测试数据云计算法线。

对象识别：利用训练好的模型，对测试数据进行对象识别。识别的过程中会生成一个投票列表，通过算法找出最强的峰值。

可视化：为测试点云着色，将识别的对象标记为不同的颜色，并使用pcl::visualization::CloudViewer显示结果。

整体而言，这段代码主要实现了使用PCL库进行3D点云数据的对象识别，包括数据准备、特征提取、模型训练、对象识别以及结果可视化等步骤。通过计算点云的法线和FPFH特征，利用隐式形状模型进行训练和识别，最终在视窗中显示带有识别结果的点云，以不同颜色区分识别出的对象和背景点云。这个程序适用于需要对3D点云进行对象分类和识别的场景。

#include <iostream> // 包含标准输入输出流库
#include <pcl/io/pcd_io.h> // 包含处理PCD（点云数据）文件输入输出操作的库
#include <pcl/features/normal_3d.h> // 包含计算点云法线特征的库
#include <pcl/features/feature.h> // 包含处理点云特征的基本方法的库
#include <pcl/visualization/cloud_viewer.h> // 包含点云可视化的库
#include <pcl/features/fpfh.h> // 包含计算FPFH（快速点特征直方图）特征的库
#include <pcl/features/impl/fpfh.hpp> // 包含FPFH特征实现的库
#include <pcl/recognition/implicit_shape_model.h> // 包含隐式形状模型（ISM）识别算法的库
#include <pcl/recognition/impl/implicit_shape_model.hpp> // 包含隐式形状模型实现的库int main (int argc, char** argv)
{if (argc < 5 || argc % 2 == 0) // 判断命令行参数数量是否正确return (-1);unsigned int number_of_training_clouds = (argc - 3) / 2; // 计算训练云的数量pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator; // 法线估计器的初始化normal_estimator.setRadiusSearch (25.0); // 设置搜索半径std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> training_clouds; // 用于存储训练用的点云数据std::vector<pcl::PointCloud<pcl::Normal>::Ptr> training_normals; // 用于存储训练数据对应的法线信息std::vector<unsigned int> training_classes; // 用于存储训练数据对应的类别IDfor (unsigned int i_cloud = 0; i_cloud < number_of_training_clouds - 1; i_cloud++){pcl::PointCloud<pcl::PointXYZ>::Ptr tr_cloud(new pcl::PointCloud<pcl::PointXYZ> ());if ( pcl::io::loadPCDFile <pcl::PointXYZ> (argv[i_cloud * 2 + 1], *tr_cloud) == -1 ) // 加载训练用的点云文件return (-1);pcl::PointCloud<pcl::Normal>::Ptr tr_normals (new pcl::PointCloud<pcl::Normal>); // 法线信息的容器normal_estimator.setInputCloud (tr_cloud); // 设置输入的点云为上述加载的点云normal_estimator.compute (*tr_normals); // 计算法线信息unsigned int tr_class = static_cast<unsigned int> (strtol (argv[i_cloud * 2 + 2], 0, 10)); // 从命令行参数中获取对应的类别IDtraining_clouds.push_back (tr_cloud); // 将点云数据存入训练集容器training_normals.push_back (tr_normals); // 将法线信息存入训练集容器training_classes.push_back (tr_class); // 将类别ID存入训练集容器}pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153> >::Ptr fpfh(new pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153> >); // 初始化FPFH特征估计器fpfh->setRadiusSearch (30.0); // 设置FPFH的搜索半径pcl::Feature< pcl::PointXYZ, pcl::Histogram<153> >::Ptr feature_estimator(fpfh); // 特征估计器的初始化pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal> ism; // 初始化隐式形状模型估计器ism.setFeatureEstimator(feature_estimator); // 设置特征估计器ism.setTrainingClouds (training_clouds); // 设置训练用的点云数据ism.setTrainingNormals (training_normals); // 设置训练用的法线信息ism.setTrainingClasses (training_classes); // 设置训练用的类别IDism.setSamplingSize (2.0f); // 设置采样大小pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal>::ISMModelPtr model (new pcl::features::ISMModel); // 初始化ISM模型ism.trainISM (model); // 训练ISM模型std::string file ("trained_ism_model.txt"); // 指定模型保存的文件名model->saveModelToFile (file); // 保存模型到文件model->loadModelFromfile (file); // 从文件加载模型unsigned int testing_class = static_cast<unsigned int> (strtol (argv[argc - 1], 0, 10)); // 获取测试数据的类别IDpcl::PointCloud<pcl::PointXYZ>::Ptr testing_cloud (new pcl::PointCloud<pcl::PointXYZ> ());if ( pcl::io::loadPCDFile <pcl::PointXYZ> (argv[argc - 2], *testing_cloud) == -1 ) // 加载测试用的点云文件return (-1);pcl::PointCloud<pcl::Normal>::Ptr testing_normals (new pcl::PointCloud<pcl::Normal>); // 初始化存储测试数据法线信息的容器normal_estimator.setInputCloud (testing_cloud); // 设置输入的点云为测试点云normal_estimator.compute (*testing_normals); // 计算法线信息pcl::features::ISMVoteList<pcl::PointXYZ>::Ptr vote_list = ism.findObjects (model,testing_cloud,testing_normals,testing_class); // 使用训练好的ISM模型进行物体识别double radius = model->sigmas_[testing_class] * 10.0; // 根据类别ID计算搜索半径double sigma = model->sigmas_[testing_class]; // 获取当前类别的标准差std::vector<pcl::ISMPeak, Eigen::aligned_allocator<pcl::ISMPeak> > strongest_peaks; // 初始化存储搜索到的最强峰值的容器vote_list->findStrongestPeaks (strongest_peaks, testing_class, radius, sigma); // 搜索最强峰值pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud (new pcl::PointCloud<pcl::PointXYZRGB>); // 初始化用于可视化的有色云colored_cloud->height = 0;colored_cloud->width = 1;pcl::PointXYZRGB point; // 初始化绘制点的颜色为白色point.r = 255;point.g = 255;point.b = 255;for (std::size_t i_point = 0; i_point < testing_cloud->size (); i_point++) // 遍历测试数据的点{point.x = (*testing_cloud)[i_point].x; // 设置点的坐标point.y = (*testing_cloud)[i_point].y;point.z = (*testing_cloud)[i_point].z;colored_cloud->points.push_back (point); // 将点添加到有色云中}colored_cloud->height += testing_cloud->size (); // 更新有色云的高度point.r = 255; // 设置最强峰值点的颜色为红色point.g = 0;point.b = 0;for (std::size_t i_vote = 0; i_vote < strongest_peaks.size (); i_vote++) // 遍历所有最强峰值点{point.x = strongest_peaks[i_vote].x; // 设置点的坐标point.y = strongest_peaks[i_vote].y;point.z = strongest_peaks[i_vote].z;colored_cloud->points.push_back (point); // 将点添加到有色云中}colored_cloud->height += strongest_peaks.size (); // 更新有色云的高度//strongest_peaks.size ()==1; pcl::visualization::CloudViewer viewer ("Result viewer"); // 初始化云查看器viewer.showCloud (colored_cloud); // 在查看器中显示有色云while (!viewer.wasStopped ()) // 持续显示直到用户关闭查看器{}return (0); // 程序正常结束
}

这段代码是一个使用PCL（Point Cloud Library）和隐式形状模型（ISM）进行点云识别的程序。主要实现了以下功能：

加载训练和测试数据的点云文件。
计算点云的法线信息。
使用FPFH算法进行特征估计。
利用隐式形状模型对训练数据进行训练，并保存模型。
从文件加载训练好的模型。
使用加载的模型对测试数据进行识别。
根据识别结果，将识别到的对象在点云中标出，并通过可视化显示结果。

此代码片段适用于需要进行物体识别和分类的场合，特别是在利用3D点云数据进行机器人视觉或智能制造等领域。

pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal>normal_estimator

pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153>>::Ptr fpfh(new pcl::FPFHEstimation<pcl::PointXYZ,pcl::Normal,pcl::Histogram<153>>);

pcl::Feature<pcl::PointXYZ, pcl::Histogram<153>>::Ptrfeature_estimator(fpfh); // 特征估计器的初始化

pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal>ism;

pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal>::ISMModelPtrmodel(new pcl::features::ISMModel);

pcl::features::ISMVoteList<pcl::PointXYZ>::Ptr vote_list =ism.findObjects(model,testing_cloud,testing_normals,testing_class);

vote_list->findStrongestPeaks(strongest_peaks, testing_class, radius, sigma);

参考网址

隐式形状模型 —— 点云库 0.0 文档 --- Implicit Shape Model — Point Cloud Library 0.0 documentation (pcl.readthedocs.io) https://pcl.readthedocs.io/projects/tutorials/en/latest/implicit_shape_model.html#compiling-and-running-the-program

这篇关于【PCL】教程 implicit_shape_model.cpp 3D点云数据的对象识别利用隐式形状模型进行训练和识别...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！