【PCL自学:Segmentation1】基于PCL的点云分割:平面模型分割

基于PCL的点云平面模型分割

  • 1、什么是点云分割
  • 2、如何使用PCL库对将点云中平面模型分割出来

1、什么是点云分割

  顾名思义,点云分割就是将一团点云按照不同需求进行分割处理,一般是用在识别或测量任务的点云预处理步骤。点云分割一般可分为两种。
①是已知数学模型的传统点云分割方法,例如平面模型,球面模型,圆柱面模型等。
②是基于深度学习模型的点云分割,常用于自动驾驶中车体建筑物模型的识别。
  本文只讲解如何使用PCL进行第一种已知点云模型的分割方法。我们将学习如何对一组点进行简单的平面分割,即在点云中找到支持平面模型的所有点。

2、如何使用PCL库对将点云中平面模型分割出来

  废话不多说,直接看官方代码及注释,应用起来非常简单。

#include 
#include 
#include 
#include 
#include 
#include 
#include 

int
main ()
{
	//创建点云对象指针
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

  // 生成填充符合平面模型的随机点云
  cloud->width  = 15;
  cloud->height = 1;
  cloud->points.resize (cloud->width * cloud->height);
  for (auto& point: *cloud)
  {
    point.x = 1024 * rand () / (RAND_MAX + 1.0f);
    point.y = 1024 * rand () / (RAND_MAX + 1.0f);
    point.z = 1.0;
  }

  // 并添加一些异常值用来测试
  (*cloud)[0].z = 2.0;
  (*cloud)[3].z = -2.0;
  (*cloud)[6].z = 4.0;
  // 输出生成的点云
  std::cerr << "Point cloud data: " << cloud->size () << " points" << std::endl;
  for (const auto& point: *cloud)
    std::cerr << "    " << point.x << " "
                        << point.y << " "
                        << point.z << std::endl;
/*
* 创建SACSegmentation对象并设置模型和方法类型。这也是我们指定距离阈值的地方,它决定了一
* 个点必须离模型多近才能被认为是内层点。在本教程中,将使用RANSAC方法(pcl::SAC_RANSAC)
* 作为选择的鲁棒估计器。我们的决定是由于RANSAC的简单性(其他健壮的估计器使用它作为基础,
* 并添加了额外的、更复杂的概念)。有关RANSAC的更多信息,请查看之前的博文介绍。
*/
  // 创建模型系数对象指针用于输出分割后的平面模型系数
  pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
  // 创建内层点云索引指针
  pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
  // 创建点云分割对象
  pcl::SACSegmentation<pcl::PointXYZ> seg;
  // 设置点云分割优化参数:true
  seg.setOptimizeCoefficients (true);
  // 设置模型类型:平面
  seg.setModelType (pcl::SACMODEL_PLANE);
  // 设置筛选方法类型:RANSAC
  seg.setMethodType (pcl::SAC_RANSAC);
  // 设置距离阈值
  seg.setDistanceThreshold (0.01);
  // 向分割器中填入点云
  seg.setInputCloud (cloud);
  // 开始分割(输出为指向内点的指针,分割出的平面模型系数)
  seg.segment (*inliers, *coefficients);

  if (inliers->indices.size () == 0)
  {
    PCL_ERROR ("Could not estimate a planar model for the given dataset.\n");
    return (-1);
  }
  // 输出平面模型系数
  std::cerr << "Model coefficients: " << coefficients->values[0] << " " 
                                      << coefficients->values[1] << " "
                                      << coefficients->values[2] << " " 
                                      << coefficients->values[3] << std::endl;
  // 输出分割后的内点
  std::cerr << "Model inliers: " << inliers->indices.size () << std::endl;
  for (const auto& idx: inliers->indices)
    std::cerr << idx << "    " << cloud->points[idx].x << " "
                               << cloud->points[idx].y << " "
                               << cloud->points[idx].z << std::endl;

  return (0);
}

  除了可以分割平面,PCL还支如下模型的分割,具体操作方式大同小异。
PCL支持的分割模型:
SACMODEL_PLANE :平面模型,四个系数是它的海森范式形式:[normal_x normal_y normal_z d]
SACMODEL_LINE : 直线模型,六个系数是直线上一点坐标和法向组成。
SACMODEL_CIRCLE2D :用于确定平面中的2D圆。圆的三个系数由圆心和半径给出。
SACMODEL_CIRCLE3D :用于确定平面中的3D圆。圆的七个系数由圆心、半径和法线给出。
SACMODEL_SPHERE:用于确定球体模型。球体的四个系数由其三维中心和半径给出。
SACMODEL_CYLINDER:用于确定圆柱面模型。圆柱的七个系数由其轴上的一点、轴方向和半径给出。
SACMODEL_CONE:用于确定锥模型。圆锥的七个系数由它的顶点、轴方向和开角给出。
除了以常这些常用的模型以外,还支持平行线,平行面之类的,可以点击这里查看更多。

PCL支持的迭代估计筛选器:
SAC_RANSAC - 随机抽样一致,最简单
SAC_LMEDS - Least Median of Squares
SAC_MSAC - M-Estimator SAmple Consensus
SAC_RRANSAC - Randomized RANSAC
SAC_RMSAC - Randomized MSAC
SAC_MLESAC - Maximum LikeLihood Estimation SAmple Consensus
SAC_PROSAC - PROgressive SAmple Consensus
默认情况下,如果不熟悉上面的大多数估计器以及它们的操作方式,可以使用SAC_RANSAC来测试。
有关RANSAC可以查看维基百科:https://en.wikipedia.org/wiki/RANSAC
或者查看之前的博文:【PCL自学:RANSAC】如何使用PCL随机一致性模型


【博主简介】
  斯坦福的兔子,男,天津大学机械工程工学硕士。毕业至今从事光学三维成像及点云处理相关工作。因工作中使用的三维处理库为公司内部库,不具有普遍适用性,遂自学开源PCL库及其相关数学知识以备使用。谨此将自学过程与君共享。
博主才疏学浅,尚不具有指导能力,如有问题还请各位在评论处留言供大家共同讨论。

你可能感兴趣的:(PCL,平面,计算机视觉,人工智能)