利用pcl库实现简单单帧障碍物检测

#include <iostream>
#include <pcl/common/common_headers.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/console/parse.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/crop_box.h>
#include <Eigen/Core>
#include <Eigen/Dense>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl/filters/extract_indices.h>
#include <string>
using namespace std;//聚类函数
std::vector<pcl::PointCloud<pcl::PointXYZI>::Ptr> Clustering(pcl::PointCloud<pcl::PointXYZI>::Ptr cloud, float clusterTolerance, int minSize, int maxSize)
{//创建一个tree对象pcl::search::KdTree<pcl::PointXYZI>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZI>); //创建一个KDtree//将点云数据按照tree的方式进行存储，方便后续遍历tree->setInputCloud(cloud);std::vector<pcl::PointIndices> cluster_indices;pcl::EuclideanClusterExtraction<pcl::PointXYZI> ec;ec.setClusterTolerance(clusterTolerance);ec.setMinClusterSize(minSize); //设置一个类别里面最小点云数ec.setMaxClusterSize(maxSize); //设置一个类别里面最大点云数ec.setSearchMethod(tree);      //采用KDtree的寻找方法ec.setInputCloud(cloud);ec.extract(cluster_indices);std::vector<pcl::PointCloud<pcl::PointXYZI>::Ptr> clusters; //创建一个保存点云指针的容器//这个容器里面保存的都是聚集的小类点云for (pcl::PointIndices getIndices : cluster_indices){typename pcl::PointCloud<pcl::PointXYZI>::Ptr cloudCluster(new pcl::PointCloud<pcl::PointXYZI>);for (int index : getIndices.indices)cloudCluster->points.push_back(cloud->points[index]);cloudCluster->width = cloudCluster->points.size();cloudCluster->height = 1;cloudCluster->is_dense = true;clusters.push_back(cloudCluster);}return clusters;
}struct Box //创建一个红色的矩形框
{float x_min;float y_min;float z_min;float x_max;float y_max;float z_max;
};Box BoundingBox(pcl::PointCloud<pcl::PointXYZI>::Ptr cluster)
{// Find bounding box for one of the clusterspcl::PointXYZI minPoint, maxPoint;pcl::getMinMax3D(*cluster, minPoint, maxPoint);Box box;box.x_min = minPoint.x;box.y_min = minPoint.y;box.z_min = minPoint.z;box.x_max = maxPoint.x;box.y_max = maxPoint.y;box.z_max = maxPoint.z;return box;
}int main(int argc, char **argv)
{std::cout << "Test PCL !!!" << std::endl;pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);pcl::io::loadPCDFile(argv[1], *cloud);cout << "滤波前点数量：" << cloud->size() << endl;pcl::VoxelGrid<pcl::PointXYZI> sor;pcl::PointCloud<pcl::PointXYZI>::Ptr cloudFiltered(new pcl::PointCloud<pcl::PointXYZI>);sor.setInputCloud(cloud);sor.setLeafSize(0.1f, 0.1f, 0.1f);sor.filter(*cloudFiltered); //体素滤波之后的数据保存在cloudFiltered里面cout << "滤波后点数量：" << cloudFiltered->size() << endl;//下面操作会保留箱子内的点// typename pcl::PointCloud<pcl::PointXYZI>::Ptr cloudRegion(new pcl::PointCloud<pcl::PointXYZI>);// pcl::CropBox<pcl::PointXYZI> region(true);// region.setMin(Eigen::Vector4f(-1.5, -1.7, -1, 1));// region.setMax(Eigen::Vector4f(2.6, 1.7, -0.4, 1));// region.setInputCloud(cloudFiltered);// region.filter(*cloudRegion);pcl::PointIndices::Ptr inliers(new pcl::PointIndices());// TODO:: Fill in this function to find inliers for the cloud.pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients());pcl::SACSegmentation<pcl::PointXYZI> seg;seg.setOptimizeCoefficients(true);seg.setModelType(pcl::SACMODEL_PLANE);seg.setMethodType(pcl::SAC_RANSAC);seg.setMaxIterations(1000);seg.setDistanceThreshold(0.2);seg.setInputCloud(cloudFiltered);seg.segment(*inliers, *coefficients); // inliers里面保存的估计是平面点if (inliers->indices.size() == 0){std::cout << "could not find a plane model for the given dataset." << std::endl;}pcl::PointCloud<pcl::PointXYZI>::Ptr planeOrObsCloudPtr(new pcl::PointCloud<pcl::PointXYZI>);//提取平面点，下面如果设置为tree的话可能是提取除了平面所有的点pcl::ExtractIndices<pcl::PointXYZI> extract;extract.setInputCloud(cloudFiltered);extract.setIndices(inliers);extract.setNegative(true);           //提取传入索引外的点，false就是默认，会提取默认索引内的点extract.filter(*planeOrObsCloudPtr); //提取的结果//创建一个容器用来保存聚类之后的点云std::vector<pcl::PointCloud<pcl::PointXYZI>::Ptr> VecAftClu = Clustering(planeOrObsCloudPtr, 0.5, 50, 10000);cout << "一共聚类为多少簇：" << VecAftClu.size() << endl;std::vector<Box> VecBox;for (int i = 0; i < VecAftClu.size(); i++){VecBox.push_back(BoundingBox(VecAftClu[i])); //获取每一个聚类的矩形框}// AABB外接立方体pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);viewer->addCoordinateSystem(0.1);viewer->initCameraParameters();//根据点云的intensity给点云上色pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZI> intensity_distribution(cloud, "intensity");viewer->addPointCloud<pcl::PointXYZI>(cloud, intensity_distribution, "sample cloud");//直接显示普通的点云则就根据下面// viewer->addPointCloud<pcl::PointXYZI>(planeOrObsCloudPtr, "sample cloud");std::vector<std::string> name;for (int i = 0; i < VecBox.size(); i++){name.push_back(to_string(i));}for (int i = 0; i < VecBox.size(); i++){//下面是设置目标包围框的一些属性，包括包围框的颜色，包围框的不透明度等等//下面设置的是包围框的线条的属性viewer->addCube(VecBox[i].x_min, VecBox[i].x_max, VecBox[i].y_min, VecBox[i].y_max, VecBox[i].z_min, VecBox[i].z_max, 1.0, 0.0, 0.0, to_string(i), 0);//第一句话表示添加的立方体只显示线框viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_REPRESENTATION, pcl::visualization::PCL_VISUALIZER_REPRESENTATION_WIREFRAME, to_string(i));//设置立方体的颜色属性viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, to_string(i));//设置立方体的不透明度属性viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_OPACITY, 0.5, to_string(i)); //设置不透明度这个属性为0.5//下面是设置包围框面的属性std::string cubeFill = "boxFill" + std::to_string(i);// viewer->addCube(box.bboxTransform, box.bboxQuaternion, box.cube_length, box.cube_width, box.cube_height, cubeFill);viewer->addCube(VecBox[i].x_min, VecBox[i].x_max, VecBox[i].y_min, VecBox[i].y_max, VecBox[i].z_min, VecBox[i].z_max, 1.0, 0.0, 0.0, cubeFill);viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_REPRESENTATION, pcl::visualization::PCL_VISUALIZER_REPRESENTATION_SURFACE, cubeFill);//surface表示表面viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, cubeFill);//表面的颜色viewer->setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_OPACITY, 0.5 * 0.3, cubeFill);//表面的不透明度}while (!viewer->wasStopped()){viewer->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}// pcl::visualization::CloudViewer viewer("test");// viewer.showCloud(planeOrObsCloudPtr);// while (!viewer.wasStopped())// {// };return 0;
}

CMakeLists.txt文件

cmake_minimum_required(VERSION 2.6 FATAL_ERROR)
project(pcl_test)find_package(PCL 1.2 REQUIRED)
#include_directories( "/usr/include/eigen3")include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})add_executable(pcl_test pcl_test.cpp)
target_link_libraries (pcl_test ${PCL_LIBRARIES})install(TARGETS pcl_test RUNTIME DESTINATION bin)

结果显示
懒得去调整里面的一些参数了，主要是为了学习pcl库，来实现简单的小demo，本文的代码主要是根据一个网上的代码改动的，具体哪一个找不到了。

利用pcl库实现简单单帧障碍物检测相关推荐

利用PCL库做简单的三维立体图形
利用PCL库画简单的三维立体图形需要知道各种图形的参数方程,然后给每个参数赋值便可以. 圆柱面的参数方程为:x = R*cos(θ); y = R*sin(θ); z = z;其中 θ范围是[-2*P ...
利用PCL库从点云数据生成深度图像及关键点提取
利用PCL库从点云数据生成生成深度图像及关键点提取利用PCL库从点云数据生成深度图像及关键点提取本想利用标准点云数据库分割成若干块,利用标准点云数据生成深度图像作为数据库用来验证算法,目前效果不是 ...
利用PCL库构建Mesh三维模型
从两张任意拍摄的一对图像(得有大部分重合面积)和相机内参矩阵开始,重建出基于Mesh的三维模型,美观又实用,还不赶快学起来.本文也是记录一下自己学习过程,废话较多,请多包涵,主要代码已注释,请自行下载 ...
python的turtle怎么画曲线_利用 turtle库绘制简单图形
turtle库是python的基础绘图库,这个库被介绍为一个最常用的用来介绍编程知识的方法库,其主要是用于程序设计入门,是标准库之一,利用turtle可以制作很多复杂的绘图. turtle名称含义为& ...
matlab 生成zc序列,利用zc序列进行简单的帧同步
嵌牛导读:帧同步有起止式同步法和插入特殊同步码组法两种.,为了能正确分离各路时隙信号,在发送端必须提供每帧的起始标记,在接收端检测并获取这一标志的过程称为帧同步嵌牛鼻子:帧同步 zc序列嵌牛提问: ...
利用zc序列进行简单的帧同步
帧同步 zc序列的产生同步算法参考文章 https://wenku.baidu.com/view/accce6d1240c844769eaeea9.html zc序列的产生产生zc序列,根据论文 ...
STM32CubeIDE 利用LL库 SysTick简单实现hcsr04超声波测距
一.超声波测距模块简介(网络摘取) HC-sr04是一款典型的超声波测距模块,升级版的程序和04的差别不大,只是测量范围和精度有所不同. 它是如何工作的? 超声波传感器使用声纳来确定到物体的距离.以下 ...
利用Seaborn库进行简单的画图
Seaborn练习练习题代码效果图小结练习题代码 import seaborn as sns import pandas as pd from matplotlib import pypl ...
利用Pandas库进行简单的数据规整
Pandas练习4-数据规整练习题练习1 练习2 练习3 练习4 练习1 代码效果图练习2 代码效果图练习3 代码效果图练习4 代码效果图小结练习题练习1 练习2 练习3 练习 ...

利用pcl库实现简单单帧障碍物检测

利用pcl库实现简单单帧障碍物检测

利用pcl库实现简单单帧障碍物检测相关推荐

最新文章

热门文章