基于octree的空间划分及搜索操作
(1) octree是一种用于管理稀疏3D数据的树形数据结构,每个内部节点都正好有八个子节点,介绍如何用octree在点云数据中进行空间划分及近邻搜索,实现“体素内近邻搜索(Neighbors within VOxel Search)”,"K近邻搜索(K Nearest Neighbor Search)","半径内近邻搜索"(Neighbors within Radius Search)
K近邻搜索(K Nearest Neighbor Search)
所谓K近邻算法,即是给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例(也就是上面所说的K个邻居), 这K个实例的多数属于某个类,就把该输入实例分类到这个类中。
我们常说,物以类聚,人以群分,判别一个人是一个什么样品质特征的人,常常可以从他/她身边的朋友入手,所谓观其友,而识其人。我们不是要判别上图中那个绿色的圆是属于哪一类数据么,好说,从它的邻居下手。但一次性看多少个邻居呢?从上图中,你还能看到:
- 如果K=3,绿色圆点的最近的3个邻居是2个红色小三角形和1个蓝色小正方形,少数从属于多数,基于统计的方法,判定绿色的这个待分类点属于红色的三角形一类。
- 如果K=5,绿色圆点的最近的5个邻居是2个红色三角形和3个蓝色的正方形,还是少数从属于多数,基于统计的方法,判定绿色的这个待分类点属于蓝色的正方形一类。
- K 值的选择会对算法的结果产生重大影响。K值较小意味着只有与输入实例较近的训练实例才会对预测结果起作用,但容易发生过拟合;如果 K 值较大,优点是可以减少学习的估计误差,但缺点是学习的近似误差增大,这时与输入实例较远的训练实例也会对预测起作用,使预测发生错误。在实际应用中,K 值一般选择一个较小的数值,通常采用交叉验证的方法来选择最优的 K 值。随着训练实例数目趋向于无穷和 K=1 时,误差率不会超过贝叶斯误差率的2倍,如果K也趋向于无穷,则误差率趋向于贝叶斯误差率。
- 该算法中的分类决策规则往往是多数表决,即由输入实例的 K 个最临近的训练实例中的多数类决定输入实例的类别
- 距离度量一般采用 Lp 距离,当p=2时,即为欧氏距离,在度量之前,应该将每个属性的值规范化,这样有助于防止具有较大初始值域的属性比具有较小初始值域的属性的权重过大。
半径内近邻搜索"(Neighbors within Radius Search)
代码解析,新建工程文件ch3_3,及文件octree_search.cpp
octree_search.cpp 内容
#include <pcl/point_cloud.h> //点云头文件 #include <pcl/octree/octree.h> //八叉树头文件 #include <iostream> #include <vector> #include <ctime>int main (int argc, char** argv) {srand ((unsigned int) time (NULL)); //用系统时间初始化随机种子与 srand (time (NULL))的区别 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);// 创建点云数据cloud->width = 1000;cloud->height = 1; //无序cloud->points.resize (cloud->width * cloud->height);for (size_t i = 0; i < cloud->points.size (); ++i) //随机循环产生点云的坐标值 {cloud->points[i].x = 1024.0f * rand () / (RAND_MAX + 1.0f);cloud->points[i].y = 1024.0f * rand () / (RAND_MAX + 1.0f);cloud->points[i].z = 1024.0f * rand () / (RAND_MAX + 1.0f);}/****************************************************************************创建一个octree实例,用设置分辨率进行初始化,该octree用它的页节点存放点索引向量,分辨率参数描述最低一级octree的最小体素的尺寸,因此octree的深度是分辨率和点云空间维度的函数,如果知道点云的边界框,应该用defineBoundingbox方法把它分配给octree然后通过点云指针把所有点增加到ctree中。*****************************************************************************/float resolution = 128.0f;pcl::octree::OctreePointCloudSearch<pcl::PointXYZ> octree (resolution); //初始化Octree octree.setInputCloud (cloud); //设置输入点云 这两句是最关键的建立PointCloud和octree之间的联系octree.addPointsFromInputCloud (); //构建octree pcl::PointXYZ searchPoint; //设置searchPoint searchPoint.x = 1024.0f * rand () / (RAND_MAX + 1.0f);searchPoint.y = 1024.0f * rand () / (RAND_MAX + 1.0f);searchPoint.z = 1024.0f * rand () / (RAND_MAX + 1.0f);/*************************************************************************************一旦PointCloud和octree联系一起,就能进行搜索操作,这里使用的是“体素近邻搜索”,把查询点所在体素中其他点的索引作为查询结果返回,结果以点索引向量的形式保存,因此搜索点和搜索结果之间的距离取决于octree的分辨率参数 *****************************************************************************************/std::vector<int> pointIdxVec; //存储体素近邻搜索结果向量if (octree.voxelSearch (searchPoint, pointIdxVec)) //执行搜索,返回结果到pointIdxVec {std::cout << "Neighbors within voxel search at (" << searchPoint.x << " " << searchPoint.y << " " << searchPoint.z << ")" << std::endl;for (size_t i = 0; i < pointIdxVec.size (); ++i) //打印结果点坐标std::cout << " " << cloud->points[pointIdxVec[i]].x << " " << cloud->points[pointIdxVec[i]].y << " " << cloud->points[pointIdxVec[i]].z << std::endl;}/**********************************************************************************K 被设置为10 ,K近邻搜索 方法把搜索结果写到两个分开的向量,第一个pointIdxNKNSearch包含搜索结果(结果点的索引的向量) 第二个向量pointNKNSquaredDistance存储搜索点与近邻之间的距离的平方。 *************************************************************************************///K 近邻搜索int K = 10;std::vector<int> pointIdxNKNSearch; //结果点的索引的向量std::vector<float> pointNKNSquaredDistance; //搜索点与近邻之间的距离的平方 std::cout << "K nearest neighbor search at (" << searchPoint.x << " " << searchPoint.y << " " << searchPoint.z<< ") with K=" << K << std::endl;if (octree.nearestKSearch (searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0){for (size_t i = 0; i < pointIdxNKNSearch.size (); ++i)std::cout << " " << cloud->points[ pointIdxNKNSearch[i] ].x << " " << cloud->points[ pointIdxNKNSearch[i] ].y << " " << cloud->points[ pointIdxNKNSearch[i] ].z << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;}// 半径内近邻搜索 std::vector<int> pointIdxRadiusSearch;std::vector<float> pointRadiusSquaredDistance;float radius = 256.0f * rand () / (RAND_MAX + 1.0f);std::cout << "Neighbors within radius search at (" << searchPoint.x << " " << searchPoint.y << " " << searchPoint.z<< ") with radius=" << radius << std::endl;if (octree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0){for (size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)std::cout << " " << cloud->points[ pointIdxRadiusSearch[i] ].x << " " << cloud->points[ pointIdxRadiusSearch[i] ].y << " " << cloud->points[ pointIdxRadiusSearch[i] ].z << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;}}
建立八叉树,根据不同的搜索形式搜索体素周围的点云。
结果如下:
Octree类关键点的说明
PCL octree组件提供了几个octree类型,它们各自的叶节点特征基本上是不同的,
OctreePointCloudVector(等于OctreePointCloud):该octree能够保存每一个节点上的点索引列。
OctreePointCloudSinglePoint: 该octree类仅仅保存每一个节点上的单个点的索引,仅仅保存最后分配给叶节点的点索引
OctreePointCloudOccupancy: 该octree类不存储它的叶节点上的任何信息,它能用于空间填充情况检查
OctreePointCloudDensity:存储每一个叶节点体素中点的数目,它可以进行空间点集密集程度的查询
(2) 无序点云数据集的空间变化检测
octree是一种管理稀疏3D数据的树状结构,利用octree实现多个无序点云之间的空间变化检测,这些点云可能在尺寸。分辨率 密度,和点顺序等方面有所差异,通过递归的比较octree的树结构,可以鉴定出由octree产生的体素组成的区别所代表的空间变化,还要学习关于octree的“双缓冲”技术,以便实时的探测多个点云之间的空间组成的差异。
代码分析
octree_change_detection.cpp :
#include <pcl/point_cloud.h> #include <pcl/octree/octree.h>#include <iostream> #include <vector> #include <ctime>int main (int argc, char** argv) {srand ((unsigned int) time (NULL)); //用系统时间初始化随机种子// 八叉树的分辨率,即体素的大小float resolution = 32.0f;// 初始化空间变化检测对象pcl::octree::OctreePointCloudChangeDetector<pcl::PointXYZ> octree (resolution);pcl::PointCloud<pcl::PointXYZ>::Ptr cloudA (new pcl::PointCloud<pcl::PointXYZ> ); //创建点云实例cloudA生成的点云数据用于建立八叉树octree对象// 为cloudA点云填充点数据cloudA->width = 128; //设置点云cloudA的点数cloudA->height = 1; //无序点cloudA->points.resize (cloudA->width * cloudA->height); //总数for (size_t i = 0; i < cloudA->points.size (); ++i) //循环填充 {cloudA->points[i].x = 64.0f * rand () / (RAND_MAX + 1.0f);cloudA->points[i].y = 64.0f * rand () / (RAND_MAX + 1.0f);cloudA->points[i].z = 64.0f * rand () / (RAND_MAX + 1.0f);}// 添加点云到八叉树中,构建八叉树octree.setInputCloud (cloudA); //设置输入点云octree.addPointsFromInputCloud (); //从输入点云构建八叉树/***********************************************************************************点云cloudA是参考点云用其建立的八叉树对象描述它的空间分布,octreePointCloudChangeDetector类继承自Octree2BufBae类,Octree2BufBae类允许同时在内存中保存和管理两个octree,另外它应用了内存池该机制能够重新利用已经分配了的节点对象,因此减少了在生成点云八叉树对象时昂贵的内存分配和释放操作通过访问 octree.switchBuffers ()重置八叉树 octree对象的缓冲区,但把之前的octree数据仍然保留在内存中************************************************************************************/// 交换八叉树的缓冲,但是CloudA对应的八叉树结构仍然在内存中 octree.switchBuffers ();//cloudB点云用于建立新的八叉树结构,与前一个cloudA对应的八叉树共享octree对象,同时在内存中驻留pcl::PointCloud<pcl::PointXYZ>::Ptr cloudB (new pcl::PointCloud<pcl::PointXYZ> ); //实例化点云对象cloudB// 为cloudB创建点云 cloudB->width = 128;cloudB->height = 1;cloudB->points.resize (cloudB->width * cloudB->height);for (size_t i = 0; i < cloudB->points.size (); ++i){cloudB->points[i].x = 64.0f * rand () / (RAND_MAX + 1.0f);cloudB->points[i].y = 64.0f * rand () / (RAND_MAX + 1.0f);cloudB->points[i].z = 64.0f * rand () / (RAND_MAX + 1.0f);}// 添加cloudB到八叉树中 octree.setInputCloud (cloudB);octree.addPointsFromInputCloud ();/**************************************************************************************************************为了检索获取存在于couodB的点集R,此R并没有cloudA中的元素,可以调用getPointIndicesFromNewVoxels方法,通过探测两个八叉树之间体素的不同,它返回cloudB 中新加点的索引的向量,通过索引向量可以获取R点集 很明显这样就探测了cloudB相对于cloudA变化的点集,但是只能探测到在cloudA上增加的点集,二不能探测减少的 ****************************************************************************************************************/std::vector<int> newPointIdxVector; //存储新添加的索引的向量// 获取前一cloudA对应八叉树在cloudB对应在八叉树中没有的点集 octree.getPointIndicesFromNewVoxels (newPointIdxVector);// 打印点集std::cout << "Output from getPointIndicesFromNewVoxels:" << std::endl;for (size_t i = 0; i < newPointIdxVector.size (); ++i)std::cout << i << "# Index:" << newPointIdxVector[i]<< " Point:" << cloudB->points[newPointIdxVector[i]].x << " "<< cloudB->points[newPointIdxVector[i]].y << " "<< cloudB->points[newPointIdxVector[i]].z << std::endl;}
本实验是为了检索获取存在于couodB的点集R,此R并没有cloudA中的元素,可以调用getPointIndicesFromNewVoxels方法,通过探测两个八叉树之间体素的不同,它返回cloudB 中新加点的索引的向量,通过索引向量可以获取R点集 很明显这样就探测了cloudB相对于cloudA变化的点集,但是只能探测到在cloudA上增加的点集,二不能探测减少的
编译运行的结果如下(因为生成的随机点云,所以运行的结果每次都会不一样的):
微信公众号号可扫描二维码一起共同学习交流
未完待续*******************************************8888
基于octree的空间划分及搜索操作相关推荐
- 基于八叉树的空间划分及搜索操作
基于八叉树的空间划分及搜索操作 原理 Code CmakeList.txt CPP 体素 近邻 搜索 K 近邻 搜索 半径内 近邻 搜索 Result 原理 建立空间索引在点云数据处理中有着广泛的应用 ...
- 基于八叉树的空间划分及搜索操作-阿里云开发者社区
原理 建立空间索引在点云数据处理中有着广泛的应用,常见的空间索引一般 是自顶而下逐级划分空间的各种空间索引结构. 比较有代表性的包括 BSP树 KD树 KDB树 R树 四叉树 八叉树 这些结构中,KD ...
- 基于Solr的空间搜索学习笔记
基于Solr的空间搜索学习笔记 在Solr中基于空间地址查询主要围绕2个概念实现: (1) Cartesian Tiers 笛卡尔层 Cartesian Tiers是通过将一个平面地图的根据设定的层次 ...
- 【论文笔记】基于动作空间划分的MAXQ自动分层方法
文章目录 摘要 关键词 0 引言 1 马尔可夫决策过程与分层强化学习 1.1 马尔可夫决策过程 1.2 分层强化学习 1.3 MAXQ 值函数分解 2 基于动作的层次结构划分方法 2.1 动作空间划分 ...
- 决策树:特征分布空间划分方法
前言:懒惰的原因是因为时间太少,不能够去仔细的探索学习,拿来主义丧失了很多快乐! K近邻算法的实现:KD树 原文链接:http://blog.csdn.net/v_july_v/article/det ...
- 【论文阅读】基于自适应小生境和 k 均值操作的数据聚类差分进化算法
文章目录 原文题目 摘要 I. 引言 背景知识 Niching(小生境) 适应度共享 参考文献 提出 Niching Method 的动机 Niching Method 需要 Adaptive 的动机 ...
- Python地信专题 |基于geopandas的空间数据分析-深入浅出分层设色
点击蓝字关注我,有干货领取! 本文对应代码和数据已上传至我的Github仓库: https://github.com/CNFeffery/DataScienceStudyNotes[1] 已发布: P ...
- Python地信专题 | 基于geopandas的空间数据分析-坐标参考系篇
文章来源于Python大数据分析,作者费弗里 本文对应代码已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes 1 简介 在 ...
- 备战春招:阿里一面,给了几条SQL,问需要执行几次树搜索操作?
作者 | 捡田螺的小男孩 来源 | 捡田螺的小男孩 有位朋友去阿里面试,他说面试官给了几条查询SQL,问:需要执行几次树搜索操作?我朋友当时是有点懵的,后来冷静思考,才发现就是考索引的几个基础知识点~ ...
最新文章
- 修改MySQL字符集
- 【Java】Struts2配置默认Action和配置Action的默认处理类
- VTK:深度优先搜索动画用法实战
- HDFS数据的写入过程
- P4827 [国家集训队] Crash 的文明世界
- 不需要软著的安卓应用市场_哪些安卓应用市场上架应用比较简单啊,不需要软著啊?公司开发的 APP 着急上架...
- php elasticsearch 获取索引所有文档_Elasticsearch客户端主要方法的使用规则
- 在提交消息中链接到GitHub上的问题编号
- gc cr block lost
- 新浪再传将被转手 盛大卖股TOM集团接盘?
- 牛客网-前端刷题记录(简单级)
- Google 搜索知识
- 通信系统:南、北向接口
- TCP,UDP,IP,数据链路层头部详解
- 电视+私人影院+KTV+游戏厅,爽!
- 高级语言(C语言)、汇编语言、机器语言区别?编译器如何将高级语言编译成机器语言?
- 自己动手编写ssh登陆管理工具
- 赛扬处理器_【硬件资讯】Intel 10代酷睿 桌面处理器正式发布
- 【小工具】 - 解决postgres数据库remaining connection slots are reserved for non-replication superuser connectio
- STM32——中断、EXTI、按键中断实验
热门文章
- 宏使用 Tricks
- Noip2017 跳房子——普及组
- 2022-2028年中国SUV市场投资分析及前景预测报告
- IntelliJ IDEA 的Project structure说明
- Linked List Cycle II
- 【转】C/C++中的日期和时间
- ORB_SLAM2中Tracking线程的三种追踪方式
- usaco shuttle puzzle(dfs剪枝)
- html5类选择器选择权重,Python Html5和CSS3的新增功能:CSS权重与CSS3新增选择器
- android 创建资源别名,android – 将具有相同名称的布局资源别名化为不同的屏幕限定符...