29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）

0 引言

最近项目中用到了基于PCL开发的基于平面的点云和CAD模型的配准算法，点云平面提取采用的算法如下。

1 基于PCL的点云平面分割拟合算法

2 参数及其意义介绍

（1）点云下采样

　　1. 参数：leafsize

　　2. 意义：Voxel Grid的leafsize参数，物理意义是下采样网格的大小，直接影响处理后点云密集程度，并对后期各种算法的处理速度产生直接影响。

　　3. 值越大，点云密度越低，处理速度越快；值越小，点云密度越高，处理速度越慢。通常保持这个值，使得其他的与点数有关的参数可以比较稳定而不作大的改动。

　　4. 对应的代码：

PointCloudPtr cloud(new pointCloud);
ParameterReader pd(ParameterFilePath);
double leafsize = stod(pd.getData("leafsize"));
pcl::VoxelGrid<PointT> sor;
sor.setInputCloud(CRTP::cloud_org);
sor.setLeafSize(leafsize, leafsize, leafsize);
sor.filter(*cloud);

（2）点云法线估计

　　1. 参数：Ksearch

　　2. 意义：估计法线时邻域内点的个数

　　3. 值越小，对点云的轮廓描述越精细；值越大，对点云的轮廓描述越粗糙。

　　4. 对应的代码：

ParameterReader pd(ParameterFilePath);
pcl::NormalEstimation<PointT, pcl::Normal> ne;
pcl::PointCloud<pcl::Normal>::Ptr mynormals(new pcl::PointCloud<pcl::Normal>);
pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);
tree->setInputCloud(cloud_filter);
ne.setInputCloud(cloud_filter);
ne.setSearchMethod(tree);
ne.setKSearch(stoi(pd.getData("Ksearch")));
ne.compute(*mynormals);

（3）RegionGrowing生长聚类算法对可能是平面的点云进行分割

　算法步骤：　　

　　1. 算法首先计算所有点的曲率值，并将曲率最小的点作为种子（seeds），开始进行生长

　　2. 以法线夹角阈值（Angle threshold）作为判断标准，对邻域内的点进行遍历判断，符合条件则加入当前点集，不符合则reject，并加入reject点集

　　3. 以曲率阈值（Curvature threshold）作为判断标准，将邻域内符合条件的点加入到种子队列中

　　4. 移除当前种子

　　5. 如果当前种子队列空了，表明当前子区域分割停止，遍历其他种子区域，直到停止整个点云均被遍历完为止生长

　参数分析：

　　1. 参数：MinClusterSize（最小聚类点云数目），MaxClusterSize（最大聚类点云数据）

　　NumberOfNeighbours（寻找种子seed点最近的点判断是否为同类），SmoothnessThreshold（聚类的法线夹角阈值）

CurvatureThreshold（聚类的曲率阈值，可以直观地将圆柱面等区别开）

　　2. 对应的代码

ParameterReader pd(ParameterFilePath);
pcl::RegionGrowing<PointT, pcl::Normal> reg;
pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);
reg.setMinClusterSize(stoi(pd.getData("MinClusterSize")));
reg.setMaxClusterSize(stoi(pd.getData("MaxClusterSize")));
reg.setSearchMethod(tree);
reg.setNumberOfNeighbours(stoi(pd.getData("NumberOfNeighbours")));
reg.setInputCloud(CloudFilter);
reg.setInputNormals(Normals);
reg.setSmoothnessThreshold(stod(pd.getData("SmoothnessThreshold")) / 180.0 * M_PI);
reg.setCurvatureThreshold(stod(pd.getData("CurvatureThreshold")));
std::vector <pcl::PointIndices> clusters;
reg.extract(clusters);
/* wk 添加： 可视化调试 */
pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_segmented(new pcl::PointCloud<pcl::PointXYZRGB>());
cloud_segmented = reg.getColoredCloud();
pcl::visualization::CloudViewer viewer("Cluster viewer");
viewer.showCloud(cloud_segmented);
while (!viewer.wasStopped())
{
}
/* wk 添加： 可视化调试 */

（4）SACSegmentation 利用RANSAC算法对平面点云进行分割并拟合

　　1. 参数：MaxIterations（最大迭代次数）,threshold（距离阈值，判断点是否为当前拟合平面的内点，理论上该值越大平面越粗糙）

　　2. 代码

/*RanSAC拟合平面，并将平面内点分割出来*/pcl::SACSegmentation<PointT> seg;
pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setMaxIterations(stoi(pd.getData("Maxci")));
seg.setDistanceThreshold(stod(pd.getData("threshold")));
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);// 分割内点，另存
pcl::ExtractIndices<PointT> extract;
PointCloudPtr cloud_plane(new pointCloud);
extract.setInputCloud(cloud);
extract.setIndices(inliers);
extract.setNegative(false);
extract.filter(*cloud_plane);

3 部分效果图展示

（1）原图

（2）RegionGrowing分割效果图

4 算法的局限性

　　区域生长算法分割平面步骤及问题分析：针对分辨率低、扫描质量比较差的点云，如图所示，算法无法将破碎、扭曲的大块区域识别为平面区域，只能将这部分点判断为非平面点集舍弃掉。

　　区域生长算法通常在分割细节处比较平滑的平面点云时，具有相当的优势。但是在处理“波纹”状点云时，就没什么优势了。而实际扫描点云的细节部位很多时候是如上图所示的，为了将曲率较小的曲面区别开，而调低平滑及曲率阈值时，这类从大视角上看明显是平面的点云会被rejected，从而导致分割失效。如下图所示，RegionGrowing更适合处理接近理想点云的这类点云，而不适合处理波动起伏状的、扫描精度较差的点云。

转载于:https://www.cnblogs.com/ghjnwk/p/10178975.html

29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）相关推荐

Open3d之点云平面分割
Open3D还支持使用RANSAC从点云中分割几何图元. 要查找点云中最有可能存在的平面,我们使用segement_plane函数. 该方法具有三个参数:destance_threshold定义了一个 ...
PCL下使用区域增长算法进行点云平面分割的实现
首先求解三维点云的法线和曲率这里要注意要让法线朝向一致,运用的是视点与法线夹角是锐角的方法可以看见算法很好的分离了桌面,因为桌面的法线一致性很好,但地面的噪点就比较多了,划分的效果也是不太好查看 ...
[CVPR 2020] RandLA-Net:大场景三维点云语义分割新框架（已开源）
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达本文由知乎作者Qingyong Hu授权转载,不得擅自二次转载.原文链接:https://zhuanl ...
点云的密度曝光时间_200倍的提速！华人博士生提出大场景三维点云语义分割新框架...
[新智元导读]今天分享一篇被今年CVPR接收的论文.该文提出的算法可以高效处理百万量级的点组成的大场景3D点云,同时计算效率高.内存占用少,能直接处理大规模点云,不需要复杂的预处理/后处理,比基于图的 ...
三维点云语义分割模型介绍
三维点云语义分割模型介绍 1 三维深度学习简介 1.1 三维数据表达方式 2 PointNet 2.1 点云的属性 2.1.1 无序性 2.1.2 关联性 2.1.3 不变性 2.2 key modu ...
《云原生入门级开发者认证》学习笔记之云原生基础设施之容器技术
写在前面嗯,报了考试,整理课堂笔记记忆学习的原因: 虽然考了CKA,了解了一些K8s相关的知识但是对云原生整个体系一直都很模糊希望对云原生有一个基本的认识通过学习实现云原生相关入门博文主要 ...
信创云底座主流技术路线与厂商评估
策略:IT 基础架构如何信创转型 1.虚拟化与存储等核心组件转型是重点经过国家政策机构.行业侧和产业侧近年来的持续努力,信创转型在金融等关键行业已经取得初步成效,在机具.办公等场景的部分应用已可全信 ...
DL：基于sklearn的加利福尼亚房价数据集实现GD算法
DL:基于sklearn的加利福尼亚房价数据集实现GD算法目录输出结果代码设计输出结果该数据包含9个变量的20640个观测值,该数据集包含平均房屋价值作为目标变量和以下输入变量(特征):平均 ...
一种基于贝塞尔曲线的终端定位轨迹拟合方法
一种基于贝塞尔曲线的终端定位轨迹拟合方法专利名称一种基于贝塞尔曲线的终端定位轨迹拟合方法技术领域本发明属于卫星导航领域,具体涉及一种基于贝塞尔曲线的终端定位轨迹拟合方法. 背景技术目前有很多设备( ...

29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）

29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）相关推荐

最新文章

热门文章