PCL implicit shape model 做目标识别分类

//训练过程很漫长/*介绍implict shape model算法来识别物体，算法组合了通用霍夫变换和Bag of feature方法。使用一个训练集来训练一个模型，然后用这个模型来匹配场景中出现的目标
关于训练：6步1.使用vexel grid方法，来提取关键点2.关键点特征估计，使用FPFH算法3.使用k-means方法来得到一个visual words 词典4.计算每个样本的相对于中心的方向5.计算visual word 的统计权重6.对每个关键点计算习得权重关于识别：5步1.计算关键点2.特征估计3.计算最相近的visual word4.对每个特征 计算训练模型的特征的相似度5.给定参数计算匹配的目标
*/#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/features/normal_3d.h>
#include <pcl/features/feature.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/features/fpfh.h>
#include <pcl/features/impl/fpfh.hpp>
#include <pcl/recognition/implicit_shape_model.h>
#include <pcl/recognition/impl/implicit_shape_model.hpp>int
main(int argc, char** argv)
{if (argc == 0 || argc % 2 == 0)return (-1);unsigned int number_of_training_clouds = (argc - 3) / 2;pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator;  //法向量normal_estimator.setRadiusSearch(25.0);std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> training_clouds;std::vector<pcl::PointCloud<pcl::Normal>::Ptr> training_normals;std::vector<unsigned int> training_classes;for (unsigned int i_cloud = 0; i_cloud < number_of_training_clouds - 1; i_cloud++){pcl::PointCloud<pcl::PointXYZ>::Ptr tr_cloud      (new pcl::PointCloud<pcl::PointXYZ>());if(pcl::io::loadPCDFile <pcl::PointXYZ>(argv[i_cloud * 2 + 1], *tr_cloud) == -1)return  (-1);pcl::PointCloud<pcl::Normal>::Ptr tr_normals =    (new pcl::PointCloud<pcl::Normal>)->makeShared();normal_estimator.setInputCloud                    (tr_cloud);normal_estimator.compute                          (*tr_normals);unsigned int tr_class = static_cast<unsigned int> (strtol(argv[i_cloud * 2 + 2], 0, 10));training_clouds.push_back                         (tr_cloud);training_normals.push_back                        (tr_normals);training_classes.push_back                        (tr_class);}pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153> >::Ptr fpfh(new pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153> >);fpfh->setRadiusSearch(30.0);pcl::Feature< pcl::PointXYZ, pcl::Histogram<153> >::Ptr feature_estimator(fpfh);pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal> ism;ism.setFeatureEstimator(feature_estimator);ism.setTrainingClouds  (training_clouds);ism.setTrainingNormals (training_normals);ism.setTrainingClasses (training_classes);ism.setSamplingSize    (2.0f);pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal>::ISMModelPtr model(new pcl::features::ISMModel);std::cout << "start training" << std::endl;ism.trainISM            (model);std::cout << "finish training" << std::endl;std::string file        ("trained_ism_model.txt");model->saveModelToFile  (file);model->loadModelFromfile(file);unsigned int testing_class = static_cast<unsigned int> (strtol(argv[argc - 1], 0, 10));pcl::PointCloud<pcl::PointXYZ>::Ptr testing_cloud(new pcl::PointCloud<pcl::PointXYZ>());if (pcl::io::loadPCDFile <pcl::PointXYZ>(argv[argc - 2], *testing_cloud) == -1)return (-1);pcl::PointCloud<pcl::Normal>::Ptr testing_normals = (new pcl::PointCloud<pcl::Normal>)->makeShared();normal_estimator.setInputCloud(testing_cloud);normal_estimator.compute(*testing_normals);pcl::features::ISMVoteList<pcl::PointXYZ>::Ptr vote_list = ism.findObjects(model,testing_cloud,testing_normals,testing_class);double radius = model->sigmas_[testing_class] * 10.0;double sigma = model->sigmas_[testing_class];std::vector<pcl::ISMPeak, Eigen::aligned_allocator<pcl::ISMPeak> > strongest_peaks;vote_list->findStrongestPeaks(strongest_peaks, testing_class, radius, sigma);pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud = (new pcl::PointCloud<pcl::PointXYZRGB>)->makeShared();colored_cloud->height = 0;colored_cloud->width = 1;pcl::PointXYZRGB point;point.r = 255;point.g = 255;point.b = 255;for (std::size_t i_point = 0; i_point < testing_cloud->size(); i_point++){point.x = (*testing_cloud)[i_point].x;point.y = (*testing_cloud)[i_point].y;point.z = (*testing_cloud)[i_point].z;colored_cloud->points.push_back(point);}colored_cloud->height += testing_cloud->size();point.r = 255;point.g = 0;point.b = 0;for (std::size_t i_vote = 0; i_vote < strongest_peaks.size(); i_vote++){point.x = strongest_peaks[i_vote].x;point.y = strongest_peaks[i_vote].y;point.z = strongest_peaks[i_vote].z;colored_cloud->points.push_back(point);}colored_cloud->height += strongest_peaks.size();pcl::visualization::CloudViewer viewer("Result viewer");viewer.showCloud(colored_cloud);while (!viewer.wasStopped()){}return (0);
}

PCL implicit shape model 做目标识别分类相关推荐

使用CNN做文本分类——将图像2维卷积换成1维
使用CNN做文本分类from __future__ importdivision, print_function, absolute_importimporttensorflow as tfimpor ...
keras提取模型中的某一层_Keras做图片分类（四）：迁移学习--猫狗大战实战
本项目数据集来自kaggle竞赛,地址: https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data 数据的训练集放在train文 ...
Word Averaging模型做文本分类稳定效果好模型简单
利用WORDAVG模型做文本分类模型简单效果号简单思想就是将每个词向量在句子维度进行求平均可以用avgpool来做平均池化然后用平均后的向量作为句子向量进行文本分类后面我们还 ...
transformer做文本分类的keras实现完整版
背景目前csdn上搜索到的keras的版本实现,排在前面的是: https://blog.csdn.net/xiaosongshine/article/details/86595847 但是,这个文 ...
bert使用做文本分类_使用BERT进行深度学习的多类文本分类
bert使用做文本分类 Most of the researchers submit their research papers to academic conference because its ...
libsvm回归参数寻优cgp_【lightgbm/xgboost/nn代码整理二】xgboost做二分类，多分类以及回归任务...
1.简介该部分是代码整理的第二部分,为了方便一些初学者调试代码,作者已将该部分代码打包成一个工程文件,包含简单的数据处理.xgboost配置.五折交叉训练和模型特征重要性打印四个部分.数据处理部分参 ...
pytorch 入门学习使用逻辑斯蒂做二分类-6
pytorch 入门学习使用逻辑斯蒂做二分类使用pytorch实现逻辑斯蒂做二分类 import torch import torchvision import numpy as np import ...
使用bert模型做句子分类
使用bert模型微调做下游任务,在goole发布的bert代码和huggingface的transformer项目中都有相应的任务,有的时候只需要把代码做简单的修改即可使用.发现代码很多,我尝试着自己 ...
tf第十二讲：TextCNN做文本分类的实战代码
大家好,我是爱编程的喵喵.双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中.从事机器学习以及相关的前后端开发工作.曾在阿里云.科大讯飞.CCF等比赛获得多次Top名次.现 ...
贝叶斯分类器做文本分类案例
贝叶斯分类器做文本分类文本分类是现代机器学习应用中的一大模块,更是自然语言处理的基础之一.我们可以通过将文字数据处理成数字数据,然后使用贝叶斯来帮助我们判断一段话,或者一篇文章中的主题分类,感情倾向 ...

PCL implicit shape model 做目标识别分类

PCL implicit shape model 做目标识别分类相关推荐

最新文章

热门文章