点云特征提取--vfh

开始做点云识别了，在matlab 上自己写了一个点云特征提取脚本，跑出来的效果还不错，于是想跟pcl官网的点云特征提取算法比较一下，看看两者在识别上谁会好一点。

vfh代码我参考某位博主的，忘记是谁了阿。

我封装成了一个函数，输入点云，返回308维的点云特征。

#include <pcl/features/vfh.h>
#include <pcl/features/normal_3d.h>//法线特征pcl::PointCloud<pcl::VFHSignature308> GetVFHFeature(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_ptr)
{pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;ne.setInputCloud(cloud_ptr);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());ne.setSearchMethod(tree);//设置近邻搜索算法 pcl::PointCloud<pcl::Normal>::Ptr cloud_normals_ptr(new pcl::PointCloud<pcl::Normal>);pcl::PointCloud<pcl::Normal>& cloud_normals = *cloud_normals_ptr;ne.setKSearch(40);  // 临近值50// 计算表面法线特征ne.compute(cloud_normals);pcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh;vfh.setInputCloud(cloud_ptr);vfh.setInputNormals(cloud_normals_ptr);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>());vfh.setSearchMethod(tree2);//设置近邻搜索算法 pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_fe_ptr(new pcl::PointCloud<pcl::VFHSignature308>());//vhf特征vfh.compute(*vfh_fe_ptr);return *vfh_fe_ptr;
}

然后主函数调用就行了。

pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_fe_ptr(new pcl::PointCloud<pcl::VFHSignature308>());*vfh_fe_ptr = GetVFHFeature(cloud_ptr);

tttt是返回的特征长度，后面的for循环将每一个bin的值（每一维的特征值）输出来。

 int tttt = vfh_fe_ptr->points[0].descriptorSize(); cout << tttt << endl;for (size_t temi = 0; temi < tttt; ++temi)cout << vfh_fe_ptr->points[0].histogram[temi] <<" "<< endl;

我将点云在pcl+vs中将特征提取出来，然后在matlab中训练测试其识别率。下面是随便选的几类样本的vfh特征画出来。

0很多，可以适当降一下维，我忘记了。其实我感觉整体的特征区别貌似不是很大。。反正测试结果正确率是80多。。

不过跟法向量的估值有很大关系，适当调一下法向量那一步的参数效果可能会好一点。

显示的代码的话，参考fpfh的代码吧，类似的，改一下就好了

 #include<pcl/visualization/pcl_plotter.h>  // plotterint main()
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::io::loadPCDFile("D:\\VS_Files\\Lidar\\Project2\\cloud_point\\train_sample\\RGB_dataset_pcd\\banana_train\\banana_1.pcd", *cloud);pcl::PointCloud<pcl::FPFHSignature33>::Ptr fphf_ (new pcl::PointCloud<pcl::FPFHSignature33>());;*fphf_ = Get_FPFH_Feature(cloud);pcl::visualization::PCLPlotter *plotter = new pcl::visualization::PCLPlotter("My Plotter");//设置特性plotter->setShowLegend(true);std::cout << pcl::getFieldsList<pcl::FPFHSignature33>(*fphf_);//显示plotter->addFeatureHistogram<pcl::FPFHSignature33>(*fphf_, "fpfh", 0);plotter->spin();plotter->clearPlots();system("pause");return 0;
}

点云特征提取--vfh相关推荐

pcl点云特征提取法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征视点特征直方图VFH GASD特征
pcl点云特征提取法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征视点特征直方图VFH GASD特征博文末尾支持二维码赞赏哦 _ 如果要对一个三维点云进行描述,光有点云的位置是 ...
点云库PCL模块介绍（二）
7.关键点关键点也称为兴趣点,它是 2D 图像或 3D 点云或曲面模型上,可以通过定义检测标准来获取的具有稳定性.区别性的点集. 从技术上来说,关键点的数量相比于原始点云或图像的数据量减小很多,与局 ...
点云配准的端到端深度神经网络：ICCV2019论文解读
点云配准的端到端深度神经网络:ICCV2019论文解读 DeepVCP: An End-to-End Deep Neural Network for Point Cloud Registration ...
PCL点云处理算法目录
一.点云配准 PCL中的点云配准方法:https://www.sohu.com/a/321034987_715754 点云配准资源汇总:https://mp.weixin.qq.com/s/rj090 ...
PCL点云特征描述与提取（3）
快速点特征直方图(FPFH)描述子已知点云P中有n个点,那么它的点特征直方图(PFH)的理论计算复杂度是,其中k是点云P中每个点p计算特征向量时考虑的邻域数量.对于实时应用或接近实时应用中,密集点云 ...
点云深度学习研究现状与趋势
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:3D点云深度学习作者:霍尔顿在工业界,利用激光雷达获 ...
招聘|腾讯地图平台部招点云算法工程师
腾讯地图平台部招聘点云算法工程师岗位职责: 1.负责研发高速以及城市场景激光点云深度学习检测以及分割模型. 2.负责研发高速以及城市场景激光点云配准融合算法. 3.负责模型集群上线模型改造. 4.负 ...
CVPR 2020 | 更高质量的点云补全：上海交通大学团队提出点云分形网络
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1335授权转载,不得擅自二次转载.原文链接:https://zhuanlan.zhih ...
14.7倍推理加速、18.9倍存储节省！北航、商汤、UCSD提出首个点云二值网络 | ICLR 2021...
允中编辑整理量子位报道 | 公众号 QbitAI 编者按: 无论是在自动驾驶场景中,还是在手持移动设备上,基于点云的深度学习模型应用越来越广泛. 但这些离线边缘场景自身的限制,给模型的推理.存储 ...

点云特征提取--vfh

点云特征提取--vfh相关推荐

最新文章

热门文章