3DSC特征描述符、对应关系可视化以及ICP配准

一、3DSC特征描述符可视化

C++

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/search/kdtree.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d_omp.h>//使用OMP需要添加的头文件
#include <pcl/features/spin_image.h>
#include <boost/thread/thread.hpp>
#include <pcl/features/3dsc.h>
#include <pcl/visualization/pcl_plotter.h>// 直方图的可视化 
#include <pcl/visualization/histogram_visualizer.h>
#include <pcl/kdtree/kdtree_flann.h>
using namespace std;
int main()
{//------------------加载点云数据-----------------pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1)//需使用绝对路径{PCL_ERROR("Could not read file\n");}//--------------------计算法线------------------pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);//建立kdtree来进行近邻点集搜索pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);n.setNumberOfThreads(8);//设置openMP的线程数n.setInputCloud(cloud);n.setSearchMethod(tree);n.setKSearch(10);n.compute(*normals);//开始进行法向计算// ------------------3DSC图像计算------------------pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;sc.setInputCloud(cloud);sc.setInputNormals(normals);sc.setSearchMethod(tree);sc.setMinimalRadius(4);sc.setPointDensityRadius(8);pcl::PointCloud< pcl::ShapeContext1980>::Ptr dsc_images(new pcl::PointCloud< pcl::ShapeContext1980>);sc.setRadiusSearch(40);sc.compute(*dsc_images);cout << "3DSC图像计算计算完成" << endl;// 显示和检索第一点的自旋图像描述符向量。pcl::ShapeContext1980 first_descriptor = dsc_images->points[0];cout << first_descriptor << endl;pcl::PointCloud<pcl::Histogram<1980>>::Ptr histograms(new pcl::PointCloud<pcl::Histogram<1980>>);// Accumulate histogramsfor (int i = 0; i < dsc_images->size(); ++i) {pcl::Histogram<1980>  aggregated_histogram;for (int j = 0; j < 1980; ++j) {aggregated_histogram.histogram[j] = (*dsc_images)[i].descriptor[j];}histograms->push_back(aggregated_histogram);}pcl::visualization::PCLPlotter plotter;plotter.addFeatureHistogram(*histograms,1980); //设置的横坐标长度，该值越大，则显示的越细致plotter.setWindowName("3DSC Image");plotter.plot();return 0;
}

关键代码解析：

    pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);//建立kdtree来进行近邻点集搜索pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);n.setNumberOfThreads(8);//设置openMP的线程数n.setInputCloud(cloud);n.setSearchMethod(tree);n.setKSearch(10);n.compute(*normals);

  1. pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;：

    • pcl::NormalEstimationOMP 是一个用于估计点云法线的类，它利用了 OpenMP 进行多线程加速。
    • <pcl::PointXYZ, pcl::Normal> 指定输入点云类型为 pcl::PointXYZ，输出法线类型为 pcl::Normal。

  2. pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);：

    • 创建了一个指向存储法线的点云的指针。

  3. pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);：

    • 创建了一个 KdTree 对象，用于近邻搜索。
    • pcl::search::KdTree<pcl::PointXYZ> 指定了 KdTree 使用的点类型。

  4. n.setNumberOfThreads(8);：

    • 设置 OpenMP 的线程数为 8。这指定了在计算法线时要使用的并行线程数量。通常，设置为计算机的可用核心数或稍少一些是合理的。

  5. n.setInputCloud(cloud);：

    • 设置输入点云，即需要估计法线的点云。

  6. n.setSearchMethod(tree);：

    • 设置法线估计中使用的搜索方法，这里使用了建立好的 KdTree。

  7. n.setKSearch(10);：

    • 设置用于估计每个点法线的最近邻点的数量。这里设置为 10，表示每个点的法线估计将使用其最近的 10 个邻居。

  8. n.compute(*normals);：

    • 执行法线估计。
    • 估计的法线将存储在 normals 指向的点云中。

参数设置及其影响：

  • setNumberOfThreads(int num_threads)：通过设置并行计算线程数，可以加快法线估计的速度。但是，设置的线程数应该根据计算机的硬件配置来调整，过多的线程可能会造成资源浪费。
  • setKSearch(int k)：决定了估计每个点法线时考虑的最近邻点的数量。更大的值将考虑更多的邻居，这可能导致更平滑的法线估计，但也可能增加计算时间。
	pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;sc.setInputCloud(cloud);sc.setInputNormals(normals);sc.setSearchMethod(tree);sc.setMinimalRadius(4);sc.setPointDensityRadius(8);pcl::PointCloud< pcl::ShapeContext1980>::Ptr dsc_images(new pcl::PointCloud< pcl::ShapeContext1980>);sc.setRadiusSearch(40);// 计算spin image图像sc.compute(*dsc_images);

  1. pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;：

    • 创建了一个 pcl::ShapeContext3DEstimation 类的对象 sc，用于计算形状上下文。
    • pcl::PointXYZ 指定了输入点云的类型。
    • pcl::Normal 指定了输入点云的法线类型。
    • pcl::ShapeContext1980 指定了形状上下文的类型。

  2. sc.setInputCloud(cloud);：

    • 设置输入点云，即待计算形状上下文的点云。

  3. sc.setInputNormals(normals);：

    • 设置输入点云的法线。

  4. sc.setSearchMethod(tree);：

    • 设置用于形状上下文估计的搜索方法，这里使用了之前建立的 KdTree。

  5. sc.setMinimalRadius(4);：

    • 设置形状上下文估计中的最小半径。这个参数决定了形状上下文描述符的大小。较小的值可能导致更精细的形状描述，但也可能增加计算开销。

  6. sc.setPointDensityRadius(8);：

    • 设置用于计算点云形状上下文时的点密度半径。这个参数控制着在形状上下文计算中用于描述点云局部形状的密度。较大的值将考虑更广泛的区域，可能导致更全局的形状描述。

  7. pcl::PointCloud< pcl::ShapeContext1980>::Ptr dsc_images(new pcl::PointCloud< pcl::ShapeContext1980>);：

    • 创建了一个指向存储形状上下文描述符的点云的指针。

  8. sc.setRadiusSearch(40);：

    • 设置用于形状上下文计算的搜索半径。这个参数决定了在形状上下文计算中考虑的邻居点的数量。较大的值将考虑更广泛的邻域，但可能会增加计算时间。

  9. sc.compute(*dsc_images);：

    • 执行形状上下文计算。
    • 计算得到的形状上下文描述符将存储在 dsc_images 指向的点云中。

参数设置及其影响：

  • setMinimalRadius(double radius)：设置形状上下文计算中的最小半径。较小的值可能导致更精细的形状描述，但也可能增加计算开销。
  • setPointDensityRadius(double radius)：设置用于计算形状上下文时的点密度半径。较大的值将考虑更广泛的区域，可能导致更全局的形状描述。
  • setRadiusSearch(double radius)：设置形状上下文计算中的搜索半径。较大的值将考虑更广泛的邻域，但可能会增加计算时间。
	pcl::PointCloud<pcl::Histogram<1980>>::Ptr histograms(new pcl::PointCloud<pcl::Histogram<1980>>);// Accumulate histogramsfor (int i = 0; i < dsc_images->size(); ++i) {pcl::Histogram<1980>  aggregated_histogram;for (int j = 0; j < 1980; ++j) {aggregated_histogram.histogram[j] = (*dsc_images)[i].descriptor[j];}histograms->push_back(aggregated_histogram);}

  1. pcl::PointCloud<pcl::Histogram<1980>>::Ptr histograms(new pcl::PointCloud<pcl::Histogram<1980>>);：

    • 创建了一个指向存储直方图的点云的指针。

  2. for (int i = 0; i < dsc_images->size(); ++i) {：

    • 循环遍历形状上下文描述符点云中的每个点。

  3. pcl::Histogram<1980> aggregated_histogram;：

    • 创建了一个用于存储聚合直方图的对象。

  4. for (int j = 0; j < 1980; ++j) {：

    • 循环遍历每个形状上下文描述符的维度。

  5. aggregated_histogram.histogram[j] = (*dsc_images)[i].descriptor[j];：

    • 将形状上下文描述符的每个维度的值赋给聚合直方图中对应维度的值。

  6. histograms->push_back(aggregated_histogram);：

    • 将聚合后的直方图添加到直方图点云中。

参数设置及其影响：

  • 这段代码中没有涉及显式的参数设置，但是需要注意的是：
    • 1980 表示每个形状上下文描述符的维度。这个值应与前面计算形状上下文时所使用的描述符类型中的维度相匹配。

结果：

注意：运行速度很慢

二、3DSC对应关系可视化

C++

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/registration/correspondence_estimation.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/registration/transformation_estimation_svd.h> 
#include <pcl/features/3dsc.h>
#include <pcl/keypoints/iss_3d.h>
using namespace std;typedef pcl::PointCloud<pcl::PointXYZ> pointcloud;
typedef pcl::PointCloud<pcl::Normal> pointnormal;
typedef pcl::PointCloud<pcl::ShapeContext1980> DSCFeature;DSCFeature::Ptr compute_pfh_feature(pointcloud::Ptr input_cloud, pcl::search::KdTree<pcl::PointXYZ>::Ptr tree)
{pointnormal::Ptr normals(new pointnormal);pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;n.setInputCloud(input_cloud);n.setNumberOfThreads(5);n.setSearchMethod(tree);n.setKSearch(10);n.compute(*normals);pcl::PointCloud<pcl::ShapeContext1980>::Ptr dsc_fe_dsc(new pcl::PointCloud<pcl::ShapeContext1980>());pcl::ShapeContext3DEstimation<pcl::PointXYZ, pcl::Normal, pcl::ShapeContext1980> sc;sc.setInputCloud(input_cloud);sc.setInputNormals(normals);//kdTree加速sc.setSearchMethod(tree);sc.setMinimalRadius(4);     // 搜索球面(Rmin)的最小半径值。sc.setRadiusSearch(40);      // 设置用于确定用于特征估计的最近邻居的球体半径。sc.setPointDensityRadius(8);// 这个半径用于计算局部点密度=这个半径内的点数。sc.compute(*dsc_fe_dsc);return dsc_fe_dsc;}void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());iss.setInputCloud(cloud);iss.setSearchMethod(tree);iss.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数iss.setSalientRadius(5);  // 设置用于计算协方差矩阵的球邻域半径iss.setNonMaxRadius(5);   // 设置非极大值抑制应用算法的半径iss.setThreshold21(0.95);     // 设定第二个和第一个特征值之比的上限iss.setThreshold32(0.95);     // 设定第三个和第二个特征值之比的上限iss.setMinNeighbors(6);       // 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.compute(*keypoint);}int main(int argc, char** argv)
{pointcloud::Ptr source_cloud(new pointcloud);pointcloud::Ptr target_cloud(new pointcloud);pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *source_cloud);pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *target_cloud);pcl::PointCloud<pcl::PointXYZ>::Ptr s_k(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr t_k(new pcl::PointCloud<pcl::PointXYZ>);extract_keypoint(source_cloud, s_k);extract_keypoint(target_cloud, t_k);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());DSCFeature::Ptr source_pfh = compute_pfh_feature(s_k, tree);DSCFeature::Ptr target_pfh = compute_pfh_feature(t_k, tree);pcl::registration::CorrespondenceEstimation<pcl::ShapeContext1980, pcl::ShapeContext1980> crude_cor_est;boost::shared_ptr<pcl::Correspondences> cru_correspondences(new pcl::Correspondences);crude_cor_est.setInputSource(source_pfh);crude_cor_est.setInputTarget(target_pfh);crude_cor_est.determineCorrespondences(*cru_correspondences);Eigen::Matrix4f Transform = Eigen::Matrix4f::Identity();pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>::Ptr trans(new pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>);trans->estimateRigidTransformation(*source_cloud, *target_cloud, *cru_correspondences, Transform);boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer(new pcl::visualization::PCLVisualizer("v1"));viewer->setBackgroundColor(0, 0, 0);pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color(target_cloud, 255, 0, 0);viewer->addPointCloud<pcl::PointXYZ>(target_cloud, target_color, "target cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color(source_cloud, 0, 255, 0);viewer->addPointCloud<pcl::PointXYZ>(source_cloud, input_color, "input cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");viewer->addCorrespondences<pcl::PointXYZ>(s_k, t_k, *cru_correspondences, "correspondence");while (!viewer->wasStopped()){viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}return 0;
}

关键代码解析：

    pcl::registration::CorrespondenceEstimation<pcl::ShapeContext1980, pcl::ShapeContext1980> crude_cor_est;boost::shared_ptr<pcl::Correspondences> cru_correspondences(new pcl::Correspondences);crude_cor_est.setInputSource(source_pfh);crude_cor_est.setInputTarget(target_pfh);crude_cor_est.determineCorrespondences(*cru_correspondences);Eigen::Matrix4f Transform = Eigen::Matrix4f::Identity();pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>::Ptr trans(new pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>);trans->estimateRigidTransformation(*source_cloud, *target_cloud, *cru_correspondences, Transform);

  1. pcl::registration::CorrespondenceEstimation<pcl::ShapeContext1980, pcl::ShapeContext1980> crude_cor_est;：

    • 创建了一个形状上下文描述符之间的对应估计对象。这里使用的是形状上下文描述符类型 pcl::ShapeContext1980。
    • 参数设置影响：这里没有显式地设置参数，但是你可以根据需要调整匹配算法的参数，如距离阈值、特征匹配方式等，以获得更好的配准效果。

  2. boost::shared_ptr<pcl::Correspondences> cru_correspondences(new pcl::Correspondences);：

    • 创建了一个存储对应关系的指针，用于存储形状上下文描述符之间的对应关系。

  3. crude_cor_est.setInputSource(source_pfh); 和 crude_cor_est.setInputTarget(target_pfh);：

    • 设置了待配准的源点云和目标点云的形状上下文描述符。
    • 参数设置影响：这里的 source_pfh 和 target_pfh 应该是已经计算好的形状上下文描述符，参数的设置会直接影响到配准的准确度和鲁棒性。

  4. crude_cor_est.determineCorrespondences(*cru_correspondences);：

    • 执行对应关系的估计，将对应关系存储到 cru_correspondences 中。
    • 参数设置影响：在这一步中，配准的结果受到匹配算法的影响，包括特征匹配的算法、距离阈值等参数设置。

  5. Eigen::Matrix4f Transform = Eigen::Matrix4f::Identity();：

    • 创建了一个单位矩阵，用于存储计算得到的变换矩阵。

  6. pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>::Ptr trans(new pcl::registration::TransformationEstimationSVD<pcl::PointXYZ, pcl::PointXYZ, float>);：

    • 创建了一个利用奇异值分解（SVD）方法估计变换的对象。
    • 参数设置影响：这里的 pcl::PointXYZ 表示点的类型，可以根据实际情况选择合适的点类型，例如 pcl::PointNormal 或者 pcl::PointXYZRGB 等，以确保变换估计的准确性。

  7. trans->estimateRigidTransformation(*source_cloud, *target_cloud, *cru_correspondences, Transform);：

    • 使用估计的对应关系和变换方法计算源点云到目标点云的刚性变换。
    • 参数设置影响：这里的参数包括源点云、目标点云、对应关系以及变换矩阵。调整这些参数可以影响配准的结果，如不同的匹配算法、不同的点云特征类型等。

结果：

三、3DSC结合ICP配准

C++

#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/keypoints/iss_3d.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/features/3dsc.h>
#include <pcl/search/kdtree.h>
#include <pcl/filters/random_sample.h> // 采取固定数量的点云
#include <pcl/registration/ia_ransac.h>// 采样一致性
#include <pcl/registration/icp.h>      // icp配准
#include <boost/thread/thread.hpp>
#include <pcl/visualization/pcl_visualizer.h> // 可视化typedef pcl::PointXYZ PointT;
typedef pcl::PointCloud<PointT> PointCloud;
void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());iss.setInputCloud(cloud);iss.setSearchMethod(tree);iss.setNumberOfThreads(8);     //初始化调度器并设置要使用的线程数iss.setSalientRadius(7);  // 设置用于计算协方差矩阵的球邻域半径iss.setNonMaxRadius(5);   // 设置非极大值抑制应用算法的半径iss.setThreshold21(0.95);     // 设定第二个和第一个特征值之比的上限iss.setThreshold32(0.95);     // 设定第三个和第二个特征值之比的上限iss.setMinNeighbors(6);       // 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.compute(*keypoint);
}// 点云可视化
void visualize_pcd(PointCloud::Ptr pcd_src, PointCloud::Ptr pcd_tgt)
{//创建初始化目标pcl::visualization::PCLVisualizer viewer("registration Viewer");pcl::visualization::PointCloudColorHandlerCustom<PointT> src_h(pcd_src, 0, 255, 0);pcl::visualization::PointCloudColorHandlerCustom<PointT> tgt_h(pcd_tgt, 255, 0, 0);viewer.setBackgroundColor(0, 0, 0);viewer.addPointCloud(pcd_src, src_h, "source cloud");viewer.addPointCloud(pcd_tgt, tgt_h, "tgt cloud");while (!viewer.wasStopped()){viewer.spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(1000));}
}// 计算特征点的3DSC描述子
void computeKeyPoints3DSC(PointCloud::Ptr& cloud_in, PointCloud::Ptr& key_cloud, pcl::PointCloud<pcl::ShapeContext1980>::Ptr& dsc)
{//------------------计算法线----------------------pcl::NormalEstimationOMP<PointT, pcl::Normal> n;//OMP加速pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);//建立kdtree来进行近邻点集搜索pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());n.setNumberOfThreads(6);//设置openMP的线程数n.setInputCloud(key_cloud);n.setSearchSurface(cloud_in);n.setSearchMethod(tree);n.setKSearch(20);//n.setRadiusSearch(0.03);//半径搜素n.compute(*normals);cout << "法线计算完毕！！！" << endl;//-------------------计算3dsc-----------------------pcl::ShapeContext3DEstimation<PointT, pcl::Normal, pcl::ShapeContext1980> sc;sc.setInputCloud(key_cloud);sc.setInputNormals(normals);//kdTree加速sc.setSearchMethod(tree);sc.setMinimalRadius(4);     // 搜索球面(Rmin)的最小半径值。sc.setRadiusSearch(40);      // 设置用于确定用于特征估计的最近邻居的球体半径。sc.setPointDensityRadius(8);// 这个半径用于计算局部点密度=这个半径内的点数。sc.compute(*dsc);cout << "3DSC特征描述子计算完毕！！！" << endl;
}int main(int argc, char** argv)
{// 加载点云文件PointCloud::Ptr source(new PointCloud);    // 源点云，待配准pcl::io::loadPCDFile("pcd/pig_view1.pcd", *source);PointCloud::Ptr target(new PointCloud);    // 目标点云pcl::io::loadPCDFile("pcd/pig_view2.pcd", *target);PointCloud::Ptr key_src(new PointCloud);PointCloud::Ptr key_tgt(new PointCloud);extract_keypoint(source, key_src);extract_keypoint(target, key_tgt);//计算3dscpcl::PointCloud<pcl::ShapeContext1980>::Ptr sps_src(new pcl::PointCloud<pcl::ShapeContext1980>());pcl::PointCloud<pcl::ShapeContext1980>::Ptr sps_tgt(new pcl::PointCloud<pcl::ShapeContext1980>());computeKeyPoints3DSC(source, key_src, sps_src);computeKeyPoints3DSC(target, key_tgt, sps_tgt);//SAC配准pcl::SampleConsensusInitialAlignment<PointT, PointT, pcl::ShapeContext1980> scia;scia.setInputSource(key_src);scia.setInputTarget(key_tgt);scia.setSourceFeatures(sps_src);scia.setTargetFeatures(sps_tgt);scia.setMinSampleDistance(7);     // 设置样本之间的最小距离scia.setNumberOfSamples(100);       // 设置每次迭代计算中使用的样本数量（可省）,可节省时间scia.setCorrespondenceRandomness(6);// 在选择随机特征对应时，设置要使用的邻居的数量;PointCloud::Ptr sac_result(new PointCloud);scia.align(*sac_result);std::cout << "sac has converged:" << scia.hasConverged() << "  score: " << scia.getFitnessScore() << endl;Eigen::Matrix4f sac_trans;sac_trans = scia.getFinalTransformation();std::cout << sac_trans << endl;//icp配准PointCloud::Ptr icp_result(new PointCloud);pcl::IterativeClosestPoint<PointT, PointT> icp;icp.setInputSource(key_src);icp.setInputTarget(key_tgt);icp.setMaxCorrespondenceDistance(20);icp.setMaximumIterations(35);        // 最大迭代次数icp.setTransformationEpsilon(1e-10); // 两次变化矩阵之间的差值icp.setEuclideanFitnessEpsilon(0.01);// 均方误差icp.align(*icp_result, sac_trans);cout << "ICP has converged:" << icp.hasConverged() << " score: " << icp.getFitnessScore() << endl;Eigen::Matrix4f icp_trans;icp_trans = icp.getFinalTransformation();cout << icp_trans << endl;//使用创建的变换对未过滤的输入点云进行变换pcl::transformPointCloud(*source, *icp_result, icp_trans);//可视化visualize_pcd(icp_result, target);return (0);
}

关键代码解析：

我之前在iss关键点检测以及SAC-IA粗配准-CSDN博客

和Spin Image自旋图像描述符可视化以及ICP配准-CSDN博客以及本章第一部分已经解释了大部分函数，这里就不赘述了

结果：

配准结果，程序运行很慢，要等好久好久，可以适当调整参数，加快速度

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/688820.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

ubuntu制作windows的u盘启动盘

ubuntu制作windows的u盘启动盘

概要&#xff1a; 本篇演示在ubuntu22.04中制作windows10的u盘启动盘 一、下载woeusb 1、下载woeusb 在浏览器中输入https://github.com/woeusb/woeusb/releases访问woeusb 点击红色矩形圈出来的部分&#xff0c;下载woeusb 2、安装wimtools wimtools是woeusb的一个必须的…
阅读更多...
windows@按流量计费网络设置@电脑风扇降噪的可能方法

windows@按流量计费网络设置@电脑风扇降噪的可能方法

文章目录 按流量计费网络设置流量计费模式下的好处电脑风扇在连结wifi时更容易噪音问题限制软件和系统自动更新行为例:edge不再自动更新 按流量计费网络设置 windows metered connection:Metered connections in Windows - Microsoft Support 打开所连接的网络进行设置,开启me…
阅读更多...
项目开发日志（登录界面）：2. LoginTitle组件

项目开发日志（登录界面）：2. LoginTitle组件

LoginTitle组件 样式 说明 属性 属性名含义类型是否必填默认值welcomeTitle欢迎标语String是无mainTitle标题String是无 样式 mainColor -> 主题颜色 代码 <template><div class"logintitle-container"><p class"subtitle">{{ welc…
阅读更多...
21-k8s中pod的调度-污点和污点容忍

21-k8s中pod的调度-污点和污点容忍

一、污点的概念 所谓的污点&#xff0c;就是给k8s集群中的节点设置的污点&#xff0c;通过设置污点&#xff0c;来规划资源创建时所在的节点&#xff1b; 污点的类型解释说明PreferNoshedule 节点设置这个五点类型后&#xff1b; 表示&#xff0c;该节点接受调度&#xff0c;但…
阅读更多...
人工智能技术应用笔记（二）：OpenAI SORA文生视频模型技术报告全文中英对照 （GPT4翻译+人工润色）

人工智能技术应用笔记（二）：OpenAI SORA文生视频模型技术报告全文中英对照 （GPT4翻译+人工润色）

目录 Video generation models as world simulators&#xff08;视频生成模型作为世界模拟器&#xff09; Turning visual data into patches &#xff08;将视觉数据转换为图像块&#xff09; Video compression network &#xff08;视频压缩网络&#xff09; Spacetim…
阅读更多...
PyCharm - Script parameters (脚本参数)

PyCharm - Script parameters (脚本参数)

PyCharm - Script parameters [脚本参数] References Run -> Edit Configurations… -> Run/Debug Configurations -> Configuration -> Script parameters 命令行&#xff1a; python display_yolo_log.py ./person_training_log/person_train_log_DIMM40_stdout…
阅读更多...
【动态规划】【C++算法】2742. 给墙壁刷油漆

【动态规划】【C++算法】2742. 给墙壁刷油漆

作者推荐 【数位dp】【动态规划】【状态压缩】【推荐】1012. 至少有 1 位重复的数字 本文涉及知识点 动态规划汇总 LeetCode2742. 给墙壁刷油漆 给你两个长度为 n 下标从 0 开始的整数数组 cost 和 time &#xff0c;分别表示给 n 堵不同的墙刷油漆需要的开销和时间。你有…
阅读更多...
【零基础学习CAPL】——CAN报文的发送（面板中直接修改信号值进行发送）

【零基础学习CAPL】——CAN报文的发送（面板中直接修改信号值进行发送）

🙋‍♂️【零基础学习CAPL】系列💁‍♂️点击跳转 文章目录 1.概述2.面板创建3.系统变量创建4.系统变量与Panel值绑定4.CAPL实现5.效果6.全量脚本1.概述 在前面文章”【零基础学习CAPL】——CAN报文的发送（按下按钮同时周期性发送）“中对于发送报文中的信号是在脚本中固…
阅读更多...
Linux系统——防火墙拓展及重点理解

Linux系统——防火墙拓展及重点理解

目录 一、iptables 1.基本语法 2.四表五链——重点记忆 2.1四表 2.2五链 2.3总结 3.iptables选项示例 3.1 -Z 清空流量计数 3.2 -P 修改默认规则 3.3 -D 删除规则 3.4 -R 指定编号替换规则 5.白名单 6.通用匹配 7.示例 7.1添加回环网卡 7.2可以访问端口 7.3 主…
阅读更多...
【Pygame手册03/20】用于绘制形状的 pygame 模块

【Pygame手册03/20】用于绘制形状的 pygame 模块

目录 一、说明二、画图函数2.1 接口draw下的函数2.2 pygame.draw.rect()2.3 pygame.draw.polygon()2.4 pygame.draw.circle()2.5 pygame.draw.ellipse()2.6 pygame.draw.arc()2.7 pygame.draw.line ()2.8 pygame.draw.lines()2.9 pygame.draw.aaline()2.10 pygame.draw.aaline…
阅读更多...
arcgispro删除影像黑色背景值

arcgispro删除影像黑色背景值

1、打开影像&#xff0c;如下&#xff1a; 2、打开栅格计算器&#xff0c;在 “视图”--“地理处理”中&#xff0c;点击&#xff0c;如下&#xff1a; 3、语句如下&#xff1a; SetNull("setnul_rast1"0,"setnul_rast1") “setnul_rast1”表示要处理的栅…
阅读更多...
Java实现数据结构哈希表

Java实现数据结构哈希表

哈希表 概述 给美分数据分配一个编号,放入表格(数组) 建立编号与表格索引的关系,将来就可以通过编号快速查找数据 理想情况编号当唯一,数组能容纳所有数据现实是不能说为了容纳所有数据造一个超大数组,编号也可能重复 解决 有限长度的数组,以[拉链]方式存储数据允许编号适…
阅读更多...
【IO流】IOException IO流异常

【IO流】IOException IO流异常

IOException IO流异常 1. 概述2. try...catch异常处理2.1 基础做法2.2 JDK7方案2.3 JDK9方案 3. 注意事项 异常 概括 1. 概述 IOException&#xff08;Input/Output Exception&#xff0c;输入/输出异常&#xff09;是 Java 编程中常见的异常类型之一。它是 java.io 包中定义的…
阅读更多...
48 slab 的实现

48 slab 的实现

前言 这里说的是 内核中分配小对象的一种内存分配方式 slab 呵呵 经典程度不必多说了, 内核使用的大多数数据结构 基本上是基于 slab 进行内存分配的 这里 我们来看一下 slab 如何分配对象 几个分配层级, c->free_list, c->page, c->partial, new_slab 1. 先…
阅读更多...
查看 PyCharm 代码文件目录位置

查看 PyCharm 代码文件目录位置

查看 PyCharm 代码文件目录位置 1. Show in Files2. Copy PathReferences 1. Show in Files right click -> Show in Files / Show in Explorer 即可打开目录 2. Copy Path right click -> Copy Path 即可复制目录或文件路径 References [1] Yongqiang Cheng, http…
阅读更多...
通过Linux终端搭建基于HTTP隧道的文件传输系统

通过Linux终端搭建基于HTTP隧道的文件传输系统

嘿&#xff0c;Linux小侠们&#xff0c;准备好挑战一项酷炫的任务了吗&#xff1f;今天我们要一起通过Linux终端搭建一个基于HTTP隧道的文件传输系统&#xff0c;让我们的文件在网络的海洋中畅游无阻&#xff01; 在开始之前&#xff0c;让我们先来想象一下这个场景&#xff1…
阅读更多...
自建AWS S3存储服务

自建AWS S3存储服务

unsetunset前言unsetunset AWS S3&#xff08;Amazon S3&#xff0c;全名为亚马逊简易存储服务&#xff09;&#xff0c;是亚马逊公司利用其亚马逊网络服务系统所提供的网络在线存储服务。我常用的很多SaaS服务中提供的文件存储功能&#xff0c;底层也都是AWS S3&#xff0c;比…
阅读更多...
线代：认识行列式、矩阵和向量

线代：认识行列式、矩阵和向量

本文主要参考的视频教程如下&#xff1a; 8小时学完线代【中国大学MOOC*小元老师】线性代数速学_哔哩哔哩_bilibili 另外这个视频可以作为补充&#xff1a; 【考研数学 线性代数 基础课】—全集_哔哩哔哩_bilibili 行列式的概念和定义 一般会由方程组来引出行列式 比如一个二阶…
阅读更多...
【Python】测量WAV文件播放时长

【Python】测量WAV文件播放时长

问题 windows播放WAV音频文件&#xff0c;一般使用API函数&#xff0c;如PlaySound。实际使用发现&#xff0c;从调用PlaySound到实际开始播放存在200ms以上的延时&#xff0c;在游戏编程中音效实时性是个需要解决的问题。 本文主要讨论&#xff0c;windows播放WAV文件的衍生…
阅读更多...
后端开发怎么学？

后端开发怎么学？

后端开发怎么学&#xff1f; 后端开发可以简单地理解为与前端开发相对应的开发方向。前端开发主要负责构建用户界面、维护用户体验等方面的工作&#xff0c;而后端开发则主要负责处理数据、逻辑和算法等方面的工作。后端开发旨在为前端应用程序提供支持&#xff0c;以帮助实现可…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023