Qt+WIN10+Python：PointNet实现点云显示

PointNet

这篇文章是点云神经网络的鼻祖，它提出了一种网络结构，可以直接从点云中学习特征。如何设计出符合点云特点的网络是一个难点。该文章在分类、语义分割两种任务上做出了对比，并给了理论和实验分析。

点云的特点其实非常好理解：

1. 排列不变性：重排一遍所有点的输入顺序，所表示的还是同一个点云数据，网络的输出应该相同。
2. 点集之间的交互性：点与点之间有未知的关联性。
3. 变换不变性：对于某些变换，例如仿射变换，应用在点云上时，不应该改变网络对点云的理解。

只要网络抓住这三个特点，那么它至少就能作为一个能用的 encoder 。PointNet 是这么处理这三个问题的：

1. 排列不变性：该文章使用了对称函数（Symmetry Function），它的特点是对输入集合的顺序不敏感。这种函数非常多，如 maxpooling，加法，向量点积等。PointNet 采用的是 maxpooling 方法来聚合点集信息。
2. 交互性：实际上，对称函数的聚合操作就已经得到了全局的信息，此时将点的特征向量与全局的特征向量 concat 起来，就可以让每个点感知到全局的语义信息了，即所谓的交互性。
3. 变换不变性：只需要对输入做一个标准化操作即可。PointNet 使用网络训练出了 D 维空间的变换矩阵。

此时我们再来看看网络结构：

分类网络：输入的是 n 个三维坐标（实际上可以更多维度），预测了一个变换矩阵做了变换，然后使用 MLP 对每个点做一个 embedding，之后再在 feature 空间中预测了变换矩阵做变换，然后又做了 embedding，最后 maxpooling 得到全局特征。用全局特征过一个 MLP 来做 label prediction。

分割网络：相比分类，分割需要每个点捕捉全局信息后才能知道自己是哪一类，于是把每个点的 feature 和全局 feature 做一个 concat，过 MLP，之后对每个点做 label prediction。

（不过，对于 feature 变换，论文特别指出需要配合一个正则化项 loss，详情请看论文）

容易发现，PointNet 实际上只解决了最基本的如何满足点云性质问题，并只捕捉到了全局信息，这些做法是远远不够的。

pointnet的基于网上现有的只有基于tf的部署也是那种将框架下载下来基于C++部署，

现在提供另外一种部署方式C++调用python的部署方式。

网上很多关于点云得部署也有，有基于Tensorrt得部署。目前我们来尝试最简单的部署。。。

首先我们下载pointnet代码：

PointNet: PointNet+WIN10+训练与测试_Mr曲末寒的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/124712630

 

接下来我们使用C++调用python实现在Qt里面显示点云得分割

C++

#include 
#include 
#include 
using namespace std;


int main()
{
    Py_Initialize();              //初始化，创建一个Python虚拟环境
    if (Py_IsInitialized())
    {
        Py_SetPythonHome(L"D:\\Annconda2021\\envs\\pointnet");//指定python.exe位置
        Py_Initialize();


        PyRun_SimpleString("import sys");
        PyRun_SimpleString("sys.path.append('D:/PointNet/pointnet.pytorch/utils/')");
        PyObject* pModule = NULL;
        PyObject* pFunc = NULL;
        pModule = PyImport_ImportModule("test_python");  //参数为Python脚本的文件名
        if (pModule)
        {
            pFunc = PyObject_GetAttrString(pModule, "PointSeg");   //获取函数
            PyEval_CallObject(pFunc, NULL);           //执行函数
        }
        else
        {
            printf("nnnnnn...\n");
        }
    }
    else
    {
        printf("Python loss...\n");
    }
    Py_Finalize();
}

结果展示：