PCL中的 kd-tree

PCL 中的 kd-tree ，使用的是 FLANN 项目中的数据结构，支持《快速最近邻搜索》。

kd-tree 简称k维树，它是一种空间划分数据结构，它将一组 k 维点存储在一个树结构中，可以理解是 k 维的二叉树。

kd-tree 可以实现有效的《范围搜索》和《最近邻搜索》。

《最近邻搜索》是处理点云数据的核心操作，可用于查找点组或特征描述符之间的对应关系，或者，定义一个或多个点周围的局部邻域。

PCL 中的 kd-tree 位于 common 模块（pcl_common.dll）。

使用时要引用以下头文件：

#include pcl/kdtree/kdtree_flann.h>

以下用一个例子练习一下如何使用 kd-tree 进行点云的《最近邻搜索》。

打开 QT Creator ，然后，新建 QT Application 项目。

在项目文件 .pro 文件中添加如下包含目录和引用的 lib 库

INCLUDEPATH += C:\PCL1.12.1\include\pcl-1.12 C:\PCL1.12.1\3rdParty\FLANN\include \C:\PCL1.12.1\3rdParty\Boost\include\boost-1_78 \C:\PCL1.12.1\3rdParty\Eigen\eigen3 \
win32:LIBS += $$quote(C:\PCL1.12.1\lib\pcl_commond.lib)
win32:LIBS += $$quote(C:\PCL1.12.1\3rdParty\FLANN\lib\flann_s.lib)
win32:LIBS += $$quote(C:\PCL1.12.1\3rdParty\FLANN\lib\flann_cpp_s.lib)

在 main.cpp 的顶部添加头文件引用：

#include <QApplication>
#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>

在 main.cpp 的 main 函数中输入如下代码：

//创建6个点的点云
pcl::PointCloudpcl::PointXYZ::Ptr clound(new pcl::PointCloudpcl::PointXYZ());
clound->width = 6;
clound->height = 1;
clound->resize(clound->width *clound->height);
for(int i = 0; i < clound->points.size(); ++i)
{clound->points[i].x = (i * 3) + 1;clound->points[i].y = (i * 3) + 10;clound->points[i].z = (i * 3) + 100;
}
//打印点云
qDebug() << "Clound : ";
for(int i = 0; i < clound->points.size(); ++i)
{qDebug() << clound->points[i].x << "," << clound->points[i].y << "," << clound->points[i].z;
}//创建kd-tree对象，并将点云对象赋值给它
pcl::KdTreeFLANNpcl::PointXYZ tree;
tree.setInputCloud(clound);//最近邻搜索//要搜索的点
pcl::PointXYZ pt;
pt.x = 1.5;
pt.y = 10.5;
pt.z = 100.5;//k近邻搜索
int K = 3;//最近的3个点
std::vector<int> indices;//最近的点的索引
std::vector<float> sqr_distance;//最近的点离搜索点的平方距离
//执行k近邻搜索
tree.nearestKSearch(pt, K, indices, sqr_distance);
//打印搜索结果
qDebug() << "Indices : ";
for(int i = 0; i < indices.size(); ++i)
{qDebug() << indices[i];
}
qDebug() << "sqr_distance : ";
for(int i = 0; i < sqr_distance.size(); ++i)
{qDebug() << sqr_distance[i];
}//半径近邻搜索
double raius = 5;//距离为5
indices.clear();//最近的点的索引
sqr_distance.clear();//最近的点离搜索点的平方距离
//执行半径近邻搜索
tree.radiusSearch(pt, raius, indices, sqr_distance);
//打印搜索结果
qDebug() << "Indices : ";
for(int i = 0; i < indices.size(); ++i)
{qDebug() << indices[i];
}
qDebug() << "sqr_distance : ";
for(int i = 0; i < sqr_distance.size(); ++i)
{qDebug() << sqr_distance[i];
}

我使用的是编译器是MSC++Compiler16（VS2019）：

用该编译器时，PCL中有1个位置有一个bug，对vs的编译器漏写了一个变量，编译项目时，会提示错误，这时，需要修改后才能通过编译：

（1）修改 dist.h 文件

文件路径：C:\PCL1.12.1\3rdParty\FLANN\include\flann\algorithms\dist.h。

另外，QT6.3 创建的项目，默认使用 C++17，.pro文件中有如下行：

PCL1.12.1 使用的 FLANN 项目代码中有2处被C++17弃用的STL函数，项目编译时也会提示错误，这时，需要手动修改：

（1）std::binary_function 函数

调用该函数的文件是：

C:\PCL1.12.1\3rdParty\FLANN\include\flann\util\heap.h

直接注释掉即可：

（2）std::random_shuffle 函数

调用该函数的文件有3个：

C:\PCL1.12.1\3rdParty\FLANN\include\flann\util\random.h

C:\PCL1.12.1\3rdParty\FLANN\include\flann\algorithms\kdtree_index.h

C:\PCL1.12.1\3rdParty\FLANN\include\flann\util\lsh_table.h

三个文件中都把 std::random_shuffle 函数调用改为 std::shuffle 函数调用即可，如下：

（2.1）修改 random.h

第一步，头文件添加 #include ：

第二步，把 std::random_shuffle 函数调用改为 std::shuffle 函数调用：

（2.2）修改 kdtree_index.h

第一步，头文件添加 #include ：

第二步，把 std::random_shuffle 函数调用改为 std::shuffle 函数调用：

（2.3）修改 lsh_table.h

第一步，头文件添加 #include ：

第二步，把 std::random_shuffle 函数调用改为 std::shuffle 函数调用：

以上的例子编译成功后，运行可以得到如下输出：

Clound :
1 , 10 , 100
4 , 13 , 103
7 , 16 , 106
10 , 19 , 109
13 , 22 , 112
16 , 25 , 115
Indices :
0
1
2
sqr_distance :
0.75
18.75
90.75
Indices :
0
1
sqr_distance :
0.75
18.75

如上所示，K近邻搜索得到，离搜索点最近的3个点的平方距离是 0.75、18.75、90.75 ，可见之后的半径为 5 的半径搜索只能搜索到最大 5*5=25 距离的点，因此，结果就是如图所示的 0.75 和 18.75 这 2 个点。

PCL中的 kd-tree相关推荐

k-d tree树近邻算法
k-d树(k-dimensional树的简称),是一种分割k维数据空间的数据结构.主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索). 应用背景 SIFT算法中做特征点匹配的时候就会利用到k ...
k-d tree算法
k-d树(k-dimensional树的简称),是一种分割k维数据空间的数据结构.主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索). 应用背景 SIFT算法中做特征点匹配的时候就会利用到k ...
K-D Tree 算法详解及Python实现
K-D Tree 算法 k−d treek−dtree\mathrm{k-d\ tree}即k−dimensional treek−dimensionaltree\mathrm{k-dimension ...
KD tree and Bbf
k-d tree算法 k-d树(k-dimensional树的简称),是一种分割k维数据空间的数据结构.主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索). 应用背景 SIFT算法中做特征点 ...
PCL：k-d tree 1 讲解
1.简介 kd-tree简称k维树,是一种空间划分的数据结构.常被用于高维空间中的搜索,比如范围搜索和最近邻搜索.kd-tree是二进制空间划分树的一种特殊情况.(在激光雷达SLAM中,一般使用的是三 ...
PCL点云库调库学习系列——k-d tree与八叉树
k-d tree与八叉树 1 k-d tree与八叉树本文并不涉及具体原理的解释,文章着重在k-d树与八叉树在近邻搜索方面的API的使用 1.1 k-d tree k-d tree算法及原理: ht ...
PCL ：K-d tree 2 结构理解
K-d tree 基础思路:(先看之前的KNN思想,更容易理解) 导语:kd 树是一种二叉树数据结构,可以用来进行高效的 kNN 计算.kd 树算法偏于复杂,本篇将先介绍以二叉树的形式来记录和索引空间 ...
kd-tree理论以及在PCL 中的代码的实现
(小技巧记录:博客园编辑的网页界面变小了使用Ctrl ++来变大网页字体) 通过雷达,激光扫描,立体摄像机等三维测量设备获取的点云数据,具有数据量大,分布不均匀等特点,作为三维领域中一个重要的数据来 ...
k-d tree算法的研究
By RaySaint 2011/10/12 动机先前写了一篇文章<SIFT算法研究>讲了讲SIFT特征具体是如何检测和描述的,其中也提到了SIFT常见的一个用途就是物体识别,物体识别的 ...
如何利用 C# 实现 K-D Tree 结构？
我的朋友海伦一直使用在线约会网站寻找适合自己的约会对象.尽管约会网站会推荐不同的人选,但她没有从中找到喜欢的人.经过一番总结,她发现曾交往过三种类型的人: 不喜欢的人魅力一般的人极具魅力的人尽管 ...

PCL中的 kd-tree

PCL中的 kd-tree相关推荐

最新文章

热门文章

PCL中 的 kd-tree

PCL中 的 kd-tree相关推荐

最新文章

热门文章

PCL中的 kd-tree

PCL中的 kd-tree相关推荐