PCL点云库学习笔记（特征）

catog

墨衍会员 · AI 创作全网分发码龄7年

关注

VIP免费原创最新推荐文章于 2025-08-02 13:11:24 发布 1.8k 阅读 AI 写同款· GEO 优化 ›

AI权益加码！Claude Code、Cursor等20+工具免费用！购周边限时加赠Coding Plan Lite，畅享主流AI工具！学习进阶更高效！阅读详情

PCL点云库学习笔记（特征）

特征

特征

一、概述

点特征是根据该点周围可用的信息来描述几何图案，在点周围选择的数据空间通常称为k邻域。两个最广泛使用的几何点特征是下表面的估计曲率和点法线，使用其k个最近点提供的信息来表征一个点。
为了有效地确定k，通常使用空间分解技术（例如八叉树或kD树）将输入数据集分成较小的块，然后在该空间中执行最近点搜索。可以选择在p点附近的k个固定点，或者以点为中心的半径r的球体内的所有点。
计算点p处的表面法线和曲率变化的最简单方法是在k邻域内进行特征分解（即计算特征向量和特征值）。对应于最小特征值的特征向量将在点p处近似表面法线n，而表面曲率变化将从特征值估算为
在这里插入图片描述

二、特征模块在PCL中是如何工作的

通过setInputCloud（PointCloudConstPtr＆）给出整个点云的数据集，评估点云中每个点的特征；
通过setIndices（IndicesConstPtr＆)给定索引列表，具有索引的点才进行特征评估。默认为false，不指定点，当setIndices（)=true时只对索引点进行评估；
通过setSearchSurface（PointCloudConstPtr＆）来指定要使用的点邻域集。指定要使用邻域点的表面；
当我们有一个非常密集的输入数据集时，只想要估计使用pcl_keypoints方法发现的某些关键点，可以通过setInputCloud（）进行关键点输入，并将原始数据作为setSearchSurface（）传递。

代码将为输入数据集中的所有点估计一组表面法线。

#include <pcl/point_types.h>
#include <pcl/features/normal_3d.h>

{
  //定义一个点集
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

  //读取或创建点云数据
  
  //创建法线估计类，把输入的点云数据传递给它
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
  ne.setInputCloud (cloud);//给定点云数据集

 
  //创建一个空的kdtree，并将其传递给法线估计类
  // Its content will be filled inside the object, based on the given input dataset (as no other search surface is given).
  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
  ne.setSearchMethod (tree);

  // 创建输出法线点云数据集
  pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);

  // Use all neighbors in a sphere of radius 3cm
  ne.setRadiusSearch (0.03);

  //计算发现特征
  ne.compute (*cloud_normals);

  // cloud_normals->points.size () should have the same size as the input cloud->points.size ()
}

以下为输入点云中的部分点的一组表面法线

#include <pcl/point_types.h>
#include <pcl/features/normal_3d.h>

{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);//定义一组点云

  ... read, pass in or create a point cloud ...

  // 创建一组要使用的索引。 索引的大小为输入点云中前10％的点
  std::vector<int> indices (std::floor (cloud->points.size () / 10));
  for (std::size_t i = 0; i < indices.size (); ++i) indices[i] = i;

  // 创建普通的估计类，并将输入数据集传递给它
  pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
  ne.setInputCloud (cloud);

  // 传递索引
  pcl::shared_ptr<std::vector<int> > indicesptr (new std::vector<int> (indices));
  ne.setIndices (indicesptr);

  //创建一个空的kdtree表示形式，并将其传递给正常的估计对象
  //它的内容将根据给定的输入数据集填充到对象内部（因为未提供其他搜索表面）。
  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
  ne.setSearchMethod (tree);

  // Output datasets
  pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);

  // Use all neighbors in a sphere of radius 3cm
  ne.setRadiusSearch (0.03);

  // Compute the features
  ne.compute (*cloud_normals);

  // cloud_normals->points.size () should have the same size as the input indicesptr->size ()
}