0. 简介
之前作者专门为点云匹配写了几篇博客,但是我们发现最近几年有更多的新方法已经在不断地被使用。同时之前有些内容也没有很好的概括,所以这里我们将作为一篇进阶文章来介绍这些方法的使用。
1. 地面点去除
处了使用一些复杂的方法(FEC)或是一些简单的方法(根据高度来滤除)以外,还可以使用Ransac的方法完成平面拟合
#include <pcl/point_types.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/passthrough.h>
#include <pcl/segmentation/sac_segmentation.h>void RemovePointsUnderGround(const pcl::PointCloud<pcl::PointXYZI>& cloud_in,pcl::PointCloud<pcl::PointXYZI>& cloud_out)
{// 对输入点云进行降采样pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZI>);pcl::VoxelGrid<pcl::PointXYZI> voxel_grid;voxel_grid.setInputCloud(cloud_in.makeShared());voxel_grid.setLeafSize(0.1f, 0.1f, 0.1f); // 设置体素格大小voxel_grid.filter(*cloud_downsampled);// 创建一个滤波器对象,用于提取地面平面pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZI>);pcl::PassThrough<pcl::PointXYZI> pass_through;pass_through.setInputCloud(cloud_downsampled);pass_through.setFilterFieldName("z"); // 对z轴进行滤波pass_through.setFilterLimits(-1.5, 0.5); // 设置滤波范围,过滤掉z轴在-1.5到0.5之间的点pass_through.filter(*cloud_filtered);// 创建一个分割对象,用于提取地面平面pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);pcl::PointIndices::Ptr inliers(new pcl::PointIndices);pcl::SACSegmentation<pcl::PointXYZI> segmentation;segmentation.setInputCloud(cloud_filtered);segmentation.setModelType(pcl::SACMODEL_PLANE);segmentation.setMethodType(pcl::SAC_RANSAC);segmentation.setDistanceThreshold(0.1); // 设置距离阈值,点到平面的距离小于该阈值的点将被认为是地面点segmentation.segment(*inliers, *coefficients);// 创建一个提取对象,用于提取地面点pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_ground(new pcl::PointCloud<pcl::PointXYZI>);pcl::ExtractIndices<pcl::PointXYZI> extract;extract.setInputCloud(cloud_filtered);extract.setIndices(inliers);extract.setNegative(false); // 提取地面点,即保留inliers对应的点extract.filter(*cloud_ground);// 创建一个提取对象,用于提取非地面点pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_non_ground(new pcl::PointCloud<pcl::PointXYZI>);extract.setNegative(true); // 提取非地面点,即去除inliers对应的点extract.filter(*cloud_non_ground);// 将结果保存到输出点云中cloud_out = *cloud_non_ground;
}
2. PCA主成分判别
除了去除点云以外,还可以通过主成分判别来判断我们分割的是否是地面。其中eigenvectors()函数得到的矩阵中的三个列向量分别对应于数据的主成分轴。这些主成分轴是按照数据方差的降序排列的,即第一个列向量对应的是数据的第一主成分轴,第二个列向量对应的是数据的第二主成分轴,第三个列向量对应的是数据的第三主成分轴。对于PCA的特征值和特征向量可以从PCA | 特征值和特征向量-CSDN博客这里理解。
#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/common/pca.h>bool EstimatePlane(const pcl::PointCloud<pcl::PointXYZI>& cloud)
{// 将输入点云数据转换为PCL点云格式for (const auto& point : cloud){pcl::PointXYZ pclPoint;pclPoint.x = point.x();pclPoint.y = point.y();pclPoint.z = point.z();cloud->push_back(pclPoint);}// 创建PCA对象pcl::PCA<pcl::PointXYZ> pca;pca.setInputCloud(cloud);// 计算主成分Eigen::Vector3f eigenValues = pca.getEigenValues();Eigen::Matrix3f eigenVectors = pca.getEigenVectors();// 获取地面法向量,因为最小的就是第三列,所以最后一列是地面(0,0,1),如果是墙面那就(x,1-x,0)Eigen::Vector3f groundNormal = eigenVectors.col(2);#eigen_vector.block<3, 1>(0, 2)//最小成分的主成分向量,对应的是地面的法线,因为地面XY都存在比较大的主成分// 如果是其他的比如灯杆这种,一般的就会是fabs(eigen_vector.block<3, 1>(0, 0).dot(Eigen::Vector3f::UnitZ()))的形式,也就是最大主成分,沿着最大主成分方向bool is_ground = (fabs(groundNormal.dot(Eigen::Vector3f::UnitZ())) > 0.98) &&(eigenValues(2) < 0.05 * 0.05);//最小得列和地面法线重合|a||b|cos,并且eigenValues重要程度满足要求,因为地面基本等于0,所以特征值也很小 https://blog.csdn.net/xinxiangwangzhi_/article/details/118228160// 如果是其他的比如灯杆这种,一般的就会是eigen_values(0) > 10 * eigen_values(1)return is_ground;
}
3. GICP配准
GICP配准这块在之前的博客经典论文阅读之-GICP(ICP大一统)中已经详细讲过了,下面就是一个示例代码
Eigen::Matrix4d gicp_trans(pcl::PointCloud<PointType>::Ptr source_cloud,pcl::PointCloud<PointType>::Ptr target_cloud) {CHECK(source_cloud);CHECK(target_cloud);pcl::GeneralizedIterativeClosestPoint<PointType, PointType> gicp;gicp.setInputSource(source_cloud);gicp.setInputTarget(target_cloud);gicp.setMaxCorrespondenceDistance(10.0);gicp.setMaximumIterations(100);gicp.setMaximumOptimizerIterations(100);gicp.setRANSACIterations(100);gicp.setRANSACOutlierRejectionThreshold(1.0);gicp.setTransformationEpsilon(0.01);gicp.setUseReciprocalCorespondences(false);LOG(INFO) << "MaxCorrespondenceDistance: " << gicp.getMaxCorrespondenceDistance();LOG(INFO) << "MaximumIterations: " << gicp.getMaximumIterations();LOG(INFO) << "MaximumOptimizerIterations: " << gicp.getMaximumOptimizerIterations();LOG(INFO) << "RANSACIterations: " << gicp.getRANSACIterations();LOG(INFO) << "RANSACOutlierRejectionThreshold: " << gicp.getRANSACOutlierRejectionThreshold();LOG(INFO) << "TransformationEpsilon: " << gicp.getTransformationEpsilon();LOG(INFO) << "MaxCorrespondenceDistance: " << gicp.getMaxCorrespondenceDistance();LOG(INFO) << "RANSACOutlierRejectionThreshold: " << gicp.getRANSACOutlierRejectionThreshold();LOG(INFO) << "UseReciprocalCorrespondences: " << gicp.getUseReciprocalCorrespondences();pcl::PointCloud<PointType>::Ptr aligned_source =boost::make_shared<pcl::PointCloud<PointType>>();gicp.align(*aligned_source);CHECK(aligned_source);LOG(INFO) << "Final transformation: " << std::endl << gicp.getFinalTransformation();if (gicp.hasConverged()) {LOG(INFO) << "GICP converged." << std::endl<< "The score is " << gicp.getFitnessScore();} else {LOG(INFO) << "GICP did not converge.";}LOG(INFO) << "Saving aligned source cloud to: " << params_.aligned_cloud_filename;pcl::io::savePCDFile(params_.aligned_cloud_filename, *aligned_source);return gicp.getFinalTransformation();
}
点击 点云滤波与匹配进阶 - 古月居可查看全文