PCL_common模块api代码解析

pcl_common库包含大多数PCL库使用的公共数据结构和方法。核心数据结构包括PointCloud类和许多用于表示点、表面法线、RGB颜色值、特征描述符等的点类型。它还包含许多用于计算距离/范数、均值和协方差、角度转换、几何变换，等等。这个模块是不依赖其他模块的，所以是可以单独编译成功，单独编译出来可利用其中的数据结构自行开发，当然想单独提取出来编译时需要自行修改cmakeLists的，这里就不再赘述。

那么我们就按顺序来解释其中每个函数的作用，有必要的话，我会解释其理论并结合代码实践。

PCL_common的类：

（1） class   pcl::BivariatePolynomialT< real >

这表示一个二元多项式，并为它提供了一些功能接口。

 

（2）class   pcl::CentroidPoint< PointT >

一个泛型类，它计算给输入点云的质心。

这里我们用“重心”不仅表示3D点坐标的平均值，而且表示其他数据字段中的值的平均值。通用的computeNDCentroid()函数也实现了这种功能，但它是以“不智能”的方式实现的，也就是说，不管字段内数据的语义如何，它都只是对值进行平均。在某些情况下（例如，对于x，y，z，强度场），这种行为是合理的，但是在其他情况下（例如，rgb，rgba，rgbl(label带标签的)），这并不会导致有意义的结果。

 

这个类能够以一种“智能”的方式计算质心，即考虑字段内数据的含义。目前支持以下字段：

* XYZ (x, y, z)  计算每个字段的平均值

* Normal (normal_x, normal_y, normal_z)    对每个字段平均值，并将得到的归一化的向量。

* Curvature (curvature)    曲率的平均值

* RGB/RGBA (rgb or rgba)   rgba每个通道的平均值

* Intensity (intensity)       强度平均值

* Label (label)                  标签字段的平均值

举例子

 

CentroidPoint centroid;
centroid.add (pcl::PointXYZ (1, 2, 3);
centroid.add (pcl::PointXYZ (5, 6, 7);    //这里是在centroid点集中加两个点
 
pcl::PointXYZ c1; 
centroid.get (c1);   //直接使用get函数获取该点集的在每个字段的均值
// 得到的结果是: c1.x == 3, c1.y == 4, c1.z == 5
// 我们也可以申明一个不一样字段的点云来存储结果
pcl::PointXYZRGB c2;
centroid.get (c2);
// 其中x,y,z字段的结果还是: c2.x == 3, c2.y == 4, c2.z == 5,
// 但是 c2.rgb 是不被触及的

（3）struct   pcl::NdConcatenateFunctor< PointInT, PointOutT >

点云点集相加的辅助函数

在这里要特别申明一下点云库中点云的相加有两种方式：

• 比如：cloud_c  = cloud_a;

       cloud_c += cloud_b;//把cloud_a和cloud_b连接一起创建cloud_c  后输出

输出如下图：

• 字段相加就会使用到该辅助函数，那么输出结果如下：

 

（4）class  pcl::FeatureHistogram

用于计算一些浮点数均值和方差的直方图类型。

GlobalDescriptorsPtr global_descriptor;
global_descriptor = computeGlobalDescriptor (cloud, normals);
pcl::visualization::PCLHistogramVisualizer hist_vis;
hist_vis.addFeatureHistogram (*global_descriptor, 308, "Global descriptor");

　　

（5）class   pcl::GaussianKernel

高斯核类集合了所有使用高斯核计算、卷积、平滑、梯度计算图像的方法。

float* kernel_ptr_host;
int kernel_size = 5;
float sigma = 1.0;
kernel_ptr_host = probability_processor_->CreateGaussianKernel(sigma, kernel_size);
 

　　

（6）class  pcl::PCA< PointT >

主成分分析（PCA）类。

通过对输入点云集中心点的协方差矩阵进行奇异值分解，提取主成分。pca计算后的可用数据有输入数据的平均值、特征值（降序）和相应的特征向量。

其他方法允许在特征空间中进行投影、从特征空间重构以及用新的数据更新特征空间(根据Matej Artec, Matjaz Jogan and Ales Leonardis: "Incremental PCA for On-line Visual Learning and Recognition”)。

pcl::PCA pca;
pcl::PointXYZ projected, reconstructed;
for(size_t i = 0; i < cloud.size(); i++)
  {
    pca.project (cloud[i], projected);
    pca.reconstruct (projected, reconstructed);
  }

 

（7）class   pcl::PiecewiseLinearFunction

提供了返回有效分段线性函数的值的功能。

inline float PiecewiseLinearFunction::getValue(float point) const
{
  float vector_pos = factor_*point + offset_;
  float floored_vector_pos = floor(vector_pos);
  float interpolation_size = vector_pos-floored_vector_pos;
  int data_point_before = (std::max)(0, (std::min)(int(data_points_.size())-2, int(lrint(floored_vector_pos))));
  //cout << "Interpolating between "<//<< interpolation_size<<" (vector size is "<
  return data_points_[data_point_before]+interpolation_size*(data_points_[data_point_before+1]-data_points_[data_point_before]);
}

 

（8）class  pcl::PolynomialCalculationsT< real >

为多项式提供了一些功能，如寻找根或逼近二元多项式。

PolynomialCalculationsT polynomial_calculations;
BivariatePolynomialT polynomial (2);
float interest_value2 = interest_image_[index2];
sample_points.push_back (Eigen::Vector3d (x2-keypoint_x_int, y2-keypoint_y_int, interest_value2));
polynomial_calculations.bivariatePolynomialApproximation (sample_points, 2, polynomial)
 

（9）class  pcl::PosesFromMatches

基于点对应的关系计算他们之间的三维空间变换

 

（10）class   pcl::StopWatch

一个用于计时的秒表。

 // Time measurements
  pcl::StopWatch sw;
  pcl::StopWatch sw_total;
  double t_select     = 0.;
  double t_build      = 0.;
  double t_nn_search  = 0.;
  double t_calc_trafo = 0.;
    ....
  sw.reset ();
  ...
  t_select = sw.getTime ();
  sw.reset ();
  kd_tree_->setInputCloud (cloud_model_selected);
  t_build = sw.getTime ();
  ...
  t_nn_search += sw.getTime ();

 

（11）class   pcl::ScopeTime

测量作用在作用域中的时间。

要使用这个类，例如测量函数中所花费的时间，只需在函数的开头创建一个实例。例子

{
pcl::ScopeTime t1 ("calculation");
// ... perform calculation here
}
 

 

（12）class   pcl::EventFrequency

 一个辅助类来测量某个事件的频率。

 

（13）class   pcl::TimeTrigger

 定时调用回调函数的计时器类。

 

（14）class  pcl::TransformationFromCorrespondences

基于对应的3D点计算变换。

 
 pcl::TransformationFromCorrespondences transformation_from_correspondeces;
transformation_from_correspondeces.reset ();
      transformation_from_correspondeces.add (corr1, point1);
      transformation_from_correspondeces.add (corr2, point2);
      transformation_from_correspondeces.add (corr3, point3);
      transformation_from_correspondeces.add (corr4, point4);
      transformation_from_correspondeces.add (corr5, point5);
      transformation_from_correspondeces.add (corr6, point6);
      transformation_from_correspondeces.add (corr7, point7);
      transformation_from_correspondeces.add (corr8, point8);
      
      ++counter_for_added_pose_estimates;
      PoseEstimate pose_estimate;
      pose_estimate.transformation = transformation_from_correspondeces.getTransformation ();
      pose_estimate.score = 0.5f * (correspondence1.distance + correspondence2.distance); 
      // TODO: base on the measured distance_errors?
      pose_estimate.correspondence_indices.push_back (correspondence1_idx);
      pose_estimate.correspondence_indices.push_back (correspondence2_idx);
      pose_estimates.push_back (pose_estimate);

 

（15）class  pcl::VectorAverage< real, dimension >

计算给定权重的一组向量的加权平均和协方差矩阵的类

VectorAverage3f vector_average;
float max_dist_squared=max_dist*max_dist, max_dist_reciprocal=1.0f/max_dist;
  
  bool still_in_range = true;
  for (int radius=1;  still_in_range;  ++radius)
  {
    int x2=x-radius-1, y2=y-radius;  // Top left - 1
    still_in_range = false;
    for (int i=0; i<8*radius; ++i)
    {
      if (i<=2*radius) ++x2; else if (i<=4*radius) ++y2; else if (i<=6*radius) --x2; else --y2;
      if (!isValid (x2, y2))
      {
        continue;
      }
      getPoint (x2, y2, neighbor);
      float distance_squared = (neighbor-point).squaredNorm ();
      if (distance_squared > max_dist_squared)
      {
        continue;
      }
      still_in_range = true;
      float distance = std::sqrt (distance_squared),
            weight = distance*max_dist_reciprocal;
      vector_average.add (neighbor, weight);
    }
  }

 

（16）struct  pcl::Correspondence

对应表示两个实体（例如，点、描述子等）之间的匹配。通过源点云与目标点云之间的距离来表示。

//  Find Model-Scene Correspondences with KdTree
  //
  pcl::CorrespondencesPtr model_scene_corrs (new pcl::Correspondences ());
 
  pcl::KdTreeFLANN match_search;
  match_search.setInputCloud (model_descriptors);
 
  //  For each scene keypoint descriptor, find nearest neighbor into the model keypoints descriptor cloud and add it to the correspondences vector.
  for (size_t i = 0; i < scene_descriptors->size (); ++i)
  {
    std::vector<int> neigh_indices (1);
    std::vector<float> neigh_sqr_dists (1);
    if (!pcl_isfinite (scene_descriptors->at (i).descriptor[0])) //skipping NaNs
    {
      continue;
    }
    int found_neighs = match_search.nearestKSearch (scene_descriptors->at (i), 1, neigh_indices, neigh_sqr_dists);
    if(found_neighs == 1 && neigh_sqr_dists[0] < 0.25f) //  add match only if the squared descriptor distance is less than 0.25 (SHOT descriptor distances are between 0 and 1 by design)
    {
      pcl::Correspondence corr (neigh_indices[0], static_cast<int> (i), neigh_sqr_dists[0]);
      model_scene_corrs->push_back (corr);
    }
  }
  std::cout << "Correspondences found: " << model_scene_corrs->size () << std::endl;

 

（17）struct   pcl::PointCorrespondence3D

表示两个不同坐标系中的两个3D点之间的(可能的)对应关系(例如，来自特征匹配)

（18）struct  pcl::PointCorrespondence6D

表示两个点之间的（可能的）对应关系（例如来自特征匹配），是一个6DOF变换。

 

这三个类是继承的关系。

 

（19）以下是点云库中已经定义好的点云的形式

 

struct  pcl::PointXYZ

表示Euclidean xyz坐标的点集结构类型

struct  pcl::Intensity

表示单通道图像灰度强度的点集结构类型

struct  pcl::Intensity8u

一种表示单通道图像灰度强度的点集结构类型

struct  pcl::Intensity32u

表示单通道图像灰度强度的点集结构类型

struct  pcl::_PointXYZI

表示欧氏XYZ坐标的点集结构和强度值

struct   pcl::PointXYZRGBA

表示欧氏XYZ坐标和RGBA颜色的点集结构类型

struct  pcl::PointXYZRGB

表示欧氏XYZ坐标和RGB颜色的点集结构类型struct  

pcl::PointXY

表示Euclidean xy坐标的二维点集结构类型

struct  pcl::PointUV

表示像素图像坐标的2D点集结构类型

struct  pcl::InterestPoint

表示具有欧几里德xyz坐标和兴趣值的点集结构类型

给个例子关于这个特殊的类型：

pcl::visualization::RangeImageVisualizer*
pcl::visualization::RangeImageVisualizer::getInterestPointsWidget (
    const pcl::RangeImage& range_image, const float* interest_image, float min_value, float max_value,
    const pcl::PointCloud& interest_points, const std::string& name)
{
  RangeImageVisualizer* widget = new RangeImageVisualizer;
  widget->showFloatImage (interest_image, range_image.width, range_image.height, min_value, max_value);
  widget->setWindowTitle (name);
  for (unsigned int i=0; ii)
  {
    const pcl::InterestPoint& interest_point = interest_points.points[i];
    float image_x, image_y;
    range_image.getImagePoint (interest_point.x, interest_point.y, interest_point.z, image_x, image_y);
    widget->markPoint (static_cast (image_x), static_cast (image_y), green_color, red_color);
  }
  return widget;
}

 

struct  pcl::Normal

表示法向量坐标和曲面曲率估计的点集结构类型

struct  pcl::Axis

用法向量坐标表示轴的点集结构

struct  pcl::PointNormal

表示欧几里德xyz坐标的点集结构，连同法线坐标和表面曲率估计值

struct  pcl::PointXYZRGBNormal

表示欧几里德xyz坐标和RGB颜色的点集结构，以及法线坐标和表面曲率估计.

struct  pcl::PointXYZINormal

表示欧几里德xyz坐标，强度，连同法线坐标和表面曲率估计的点集结构类型。

struct  pcl::PointXYZLNormal

表示欧几里得xyz坐标，一个标签，法线坐标和表面曲率估计的点集结构类型

struct  pcl::PointWithRange

表示欧几里德XYZ坐标的点集结构，并连同的浮点数的深度信息

struct  pcl::PointWithViewpoint

表示欧几里得xyz坐标的点集结构以及的视点的点集结构

struct  pcl::MomentInvariants

表示三个矩是不变量的点集结构类型

struct  pcl::PrincipalRadiiRSD

表示使用RSD计算的最小和最大表面半径（以米为单位）的点集结构类型

struct  pcl::Boundary

表示点是否位于表面边界的点集结构

struct  pcl::PrincipalCurvatures

表示主曲率及其幅值的点集结构

 

（20）以下是一些三维特征点描述子的点集结构，其中每个描述子都是一篇论文，希望有兴趣的小伙伴加入我们，每个人分析解释一种描述子的由来以及理论研究。

 

struct  pcl::PFHSignature125       

表示点云的特征直方图（PFH）的点集结构类型

struct  pcl::PFHRGBSignature250     

表示颜色特征点特征直方图的点结构（PFHGB）

struct  pcl::PPFSignature

用于存储点对特征（PPF）值的点集结构

struct  pcl::CPPFSignature

用于存储点对特征（CPPP）值的点集结构

struct  pcl::PPFRGBSignature

用于存储点对颜色特征（PPFRGB）值的点集结构

struct  pcl::NormalBasedSignature12

表示4-By3的特征矩阵的基于正常的签名的点结构

struct  pcl::ShapeContext1980           

表示形状上下文的点结构

struct  pcl::UniqueShapeContext1960   

表示唯一形状上下文的点结构

struct  pcl::SHOT352           

表示OrienTations直方图（SHOT）的通用标签形状的点集结构

struct   pcl::SHOT1344     

一种点结构，表示OrienTations直方图（SHOT）的通用签名-形状+颜色。

struct  pcl::_ReferenceFrame

表示点的局部参照系的结构

struct  pcl::FPFHSignature33     

表示快速点特征直方图（FPFH）的点结构

struct  pcl::VFHSignature308     

表示视点特征直方图（VFH）的点结构

struct   pcl::GRSDSignature21   

表示全局半径的表面描述符（GRSD）的点结构。

struct   pcl::BRISKSignature512    

表示二进制鲁棒不变可缩放关键点（BRISK）的点结构。

struct  pcl::ESFSignature640      

表示形状函数集合的点结构（ESF）

struct  pcl::GASDSignature512       

表示全局对准的空间分布（GASD）形状描述符的点结构

struct   pcl::GASDSignature984    

表示全局对齐空间分布（GASD）形状和颜色描述符的点结构

struct   pcl::GASDSignature7992          

表示全局对齐空间分布（GASD）形状和颜色描述符的点结构

struct  pcl::GFPFHSignature16         

表示具有16个容器的GFPFH描述符的点结构。

struct  pcl::Narf36       

表示NARF描述符的点结构

struct  pcl::BorderDescription

用于存储距离图像中的点位于障碍物和背景之间的边界上的结构

struct  pcl::IntensityGradient

表示Xyz点云强度梯度的点结构

struct  pcl::Histogram< N >

表示N-D直方图的点结构

struct  pcl::PointWithScale

表示三维位置和尺度的点结构

struct  pcl::PointSurfel

曲面，即表示欧几里德xyz坐标的点结构，连同法向坐标、RGBA颜色、半径、置信值和表面曲率估计。

struct  pcl::PointDEM

表示数字高程图的点结构 Digital Elevation Map. ..

class  pcl::PCLBase< PointT >

PCL的基类

struct  pcl::GradientXY

表示欧氏XYZ坐标的点结构和强度值

 

 

 对于以上描述子的具体解读，我们已经组织群友们，一起阅读，并写出自己的理解，希望大家一起能加入我们学习分享。

有兴趣的小伙伴可以关注微信公众号，加入QQ或者微信群，和大家一起交流分享吧