基于pcl的点云iss特征点提取

\quad 点云ISS特征提取：
文章：《Intrinsic shape signatures: A shape descriptor for 3D object recognition》
\qquad 内部形状描述子（ISS）是一种表示立体几何形状的方法，该算法含有丰富的几何特征信息。
算法流程：
\qquad 设点云数据有M个点，其任意一点$p_i$坐标为$(x_i,y_i,z_i)$,$i=0,1,...,M-1$
（1）对点云上的每个点$p_i$定义一个局部坐标系，并给定每一个点一个搜索半径$r_{frame}$。
（2）查询点云数据中每个点$p_i$在半径$r_{frame}$周围内的所有点，并计算其权值。$${\omega }_{ij}=1/\left|p_i-p_j\right|,\left|p_i-p_j\right|<r_{\text{frama }}$$（3）计算每个点$p_i$的协方差矩阵
$$\mathrm{cov}\left(p_i\right)=\sum _{|p_i-p_j|<r_{f\text{ fnux }}}{\omega }_{ij}\left(p_i-p_j\right){\left(p_i-p_j\right)}^T/\sum _{|p_i-p_j|<r_{\text{franx }}}{\omega }_{ij}$$（4）计算每个点$p_i$的协方差矩阵$cov(p_i)$的特征值$\left\{{\lambda }_i^1,{\lambda }_i^2,{\lambda }_i^3\right\}$，按从大到顺序排列。
（5）设置阈值${\epsilon }_1$和${\epsilon }_2$，满足下式条件的点视为ISS特征点。
$${\lambda }_i^2/{\lambda }_i^1\le {\epsilon }_1,{\lambda }_i^3/{\lambda }_i^2\le {\epsilon }_2$$
\quad PCL实现
\qquad 程序：

#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
using namespace std;

void CreateCloudFromTxt(const std::string& file_path,pcl::PointCloud<pcl::PointXYZ>::Ptr cloud)
{
    std::ifstream file(file_path.c_str());
    std::string line;
    std::string no_use;
    pcl::PointXYZ point;
    while (getline(file, line)) {
        string::iterator it;
        for (it = line.begin(); it < line.end(); it++)
        {
          if (*it == ',')
          {
            line.erase(it);
            line.insert(it, ' ');
            it--;
          }
        }
        std::stringstream ss(line);
        ss >> point.x;
        ss >> point.y;
        ss >> point.z;
        cloud->push_back(point);
    }
    file.close();
}

int main(int, char** argv)
   {
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	CreateCloudFromTxt(argv[1],cloud);
	cout << "读取点云个数: " << cloud->points.size() << endl;

	pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss;
	pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints(new pcl::PointCloud<pcl::PointXYZ>());
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());

	iss.setInputCloud(cloud);
	iss.setSearchMethod(tree);
	iss.setSalientRadius(0.08f);//设置用于计算协方差矩阵的球邻域半径
	iss.setNonMaxRadius(0.06f);//设置非极大值抑制应用算法的半径
	iss.setThreshold21(0.65); //设定第二个和第一个特征值之比的上限
	iss.setThreshold32(0.5);  //设定第三个和第二个特征值之比的上限
	iss.setMinNeighbors(10); //在应用非极大值抑制算法时，设置必须找到的最小邻居数
	iss.setNumberOfThreads(4); //初始化调度器并设置要使用的线程数
	iss.compute(*keypoints); 

	cout << keypoints->points.size() << endl;

	
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("ISS"));
	viewer->setBackgroundColor(255,255,255);
	viewer->setWindowName("ISS关键点提取");
	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> color(cloud, 0.0, 255, 0.0);
	viewer->addPointCloud<pcl::PointXYZ>(cloud, color, "cloud");
	viewer->addPointCloud<pcl::PointXYZ>(keypoints, "keypoint_cloud");//特征点
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "keypoint_cloud");
	viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "keypoint_cloud");

	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100));
	}

	return 0;
}

CMakeLists.txt:

cmake_minimum_required(VERSION 2.8 FATAL_ERROR)

project(iss) 

find_package(PCL REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})

link_directories(${PCL_LIBRARY_DIRS})

add_definitions(${PCL_DEFINITIONS})
 

add_executable (iss iss.cpp) 

target_link_libraries (iss ${PCL_LIBRARIES}) 

实现效果：