wordpress地址站点地址,衡阳市住建局官方网站,建一个公司网站需要几天,湖南建筑信息网首页目录
一、概述
1.1原理
1.2实现步骤
1.3应用场景
二、代码实现
2.1关键函数
2.1.1 SIFT关键点检测
2.1.2 可视化函数
2.2完整代码
三、实现效果 PCL点云算法汇总及实战案例汇总的目录地址链接#xff1a;
PCL点云算法与项目实战案例汇总#xff08;长期更新#…目录
一、概述
1.1原理
1.2实现步骤
1.3应用场景
二、代码实现
2.1关键函数
2.1.1 SIFT关键点检测
2.1.2 可视化函数
2.2完整代码
三、实现效果 PCL点云算法汇总及实战案例汇总的目录地址链接
PCL点云算法与项目实战案例汇总长期更新 一、概述 3D-SIFT关键点检测是SIFT算法在三维点云中的扩展应用。与二维图像的SIFT类似它通过尺度空间的构建和局部特征检测来提取点云的关键点。在三维点云中SIFT可以通过计算每个点在Z方向的梯度找到具有几何显著特征的关键点适用于物体识别、特征匹配、点云配准等应用场景。 1.1原理 SIFTScale-Invariant Feature Transform算法通过建立图像的尺度空间来提取关键点。在三维点云中我们可以通过分析Z轴方向的变化梯度来检测点云的关键点。其核心步骤包括 尺度空间构建通过不同尺度的高斯核卷积构造尺度空间使得算法能够在不同的尺度下检测关键点。最小尺度通过参数 min_scale 设置尺度空间的层数和每个层次的尺度数量由 n_octaves 和 n_scales_per_octave 控制。关键点检测通过对尺度空间的极值点检测来提取关键点极值点通过比较邻域点在不同尺度下的响应得到。为了减少检测到的无效点需要设置最小对比度 min_contrast以过滤掉噪声。梯度估计利用Z方向的变化估计点云中每个点的局部梯度作为响应值。Z轴梯度用于构建响应函数并检测局部极值。 参数解释 min_scale最小尺度控制高斯核的最小标准差。n_octaves尺度空间的层数。n_scales_per_octave每个层次的尺度数量。min_contrast最小对比度用于过滤掉低响应值的点。 1.2实现步骤 加载点云数据。初始化SIFT关键点提取器设置所需的参数如尺度、对比度等。通过SIFT算法提取点云中的关键点并将结果转换为标准的XYZ点云格式。可视化原始点云和提取的SIFT关键点。 1.3应用场景 三维物体识别通过SIFT提取点云的关键点进行特征匹配和物体识别。点云配准利用关键点信息对不同视角的点云进行精确对齐。特征提取用于三维重建、机器人导航等领域中的特征提取和环境感知。 二、代码实现
2.1关键函数
2.1.1 SIFT关键点检测
void extractSIFTKeypoints(pcl::PointCloudpcl::PointXYZ::Ptr cloud, pcl::PointCloudpcl::PointWithScale::Ptr keypoints)
{// 设置SIFT算法参数const float min_scale 0.001f; // 设置尺度空间中最小尺度的标准偏差 const int n_octaves 3; // 设置尺度空间层数越小则特征点越多 const int n_scales_per_octave 15; // 设置尺度空间中计算的尺度个数const float min_contrast 0.0001f; // 设置限制关键点检测的阈值 // 创建SIFT关键点检测对象pcl::SIFTKeypointpcl::PointXYZ, pcl::PointWithScale sift;sift.setInputCloud(cloud); // 设置输入点云pcl::search::KdTreepcl::PointXYZ::Ptr tree(new pcl::search::KdTreepcl::PointXYZ ());sift.setSearchMethod(tree); // 设置KdTree搜索sift.setScales(min_scale, n_octaves, n_scales_per_octave); // 设置尺度范围sift.setMinimumContrast(min_contrast); // 设置最小对比度// 执行SIFT关键点检测sift.compute(*keypoints);
}2.1.2 可视化函数
void visualizeSIFTKeypoints(pcl::PointCloudpcl::PointXYZ::Ptr cloud, pcl::PointCloudpcl::PointXYZ::Ptr keypoints)
{boost::shared_ptrpcl::visualization::PCLVisualizer viewer(new pcl::visualization::PCLVisualizer(SIFT Keypoints Viewer));int v1(0), v2(0);viewer-createViewPort(0, 0.0, 0.5, 1.0, v1);viewer-setBackgroundColor(1.0, 1.0, 1.0, v1); // 设置白色背景viewer-addText(Original Point Cloud, 10, 10, v1_text, v1);viewer-createViewPort(0.5, 0.0, 1.0, 1.0, v2);viewer-setBackgroundColor(0.98, 0.98, 0.98, v2); // 设置灰色背景viewer-addText(SIFT Keypoints, 10, 10, v2_text, v2);// 原始点云显示为绿色pcl::visualization::PointCloudColorHandlerCustompcl::PointXYZ original_color(cloud, 0, 255, 0);viewer-addPointCloud(cloud, original_color, original_cloud, v1);// 关键点显示为红色pcl::visualization::PointCloudColorHandlerCustompcl::PointXYZ keypoints_color(keypoints, 255, 0, 0);viewer-addPointCloud(keypoints, keypoints_color, keypoints_cloud, v2);// 设置点大小viewer-setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, keypoints_cloud);// 添加坐标系viewer-addCoordinateSystem(1.0);while (!viewer-wasStopped()){viewer-spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}
}2.2完整代码
#include iostream
#include pcl/io/pcd_io.h
#include pcl/point_types.h
#include pcl/keypoints/sift_keypoint.h
#include pcl/visualization/pcl_visualizer.h
#include pcl/common/time.h
#include boost/thread/thread.hpp// 基于Z梯度估计3D点云的SIFT关键点
namespace pcl
{templatestruct SIFTKeypointFieldSelectorPointXYZ{inline floatoperator () (const PointXYZ p) const{return p.z;}};
}// 提取SIFT关键点
void extractSIFTKeypoints(pcl::PointCloudpcl::PointXYZ::Ptr cloud, pcl::PointCloudpcl::PointWithScale::Ptr keypoints)
{const float min_scale 0.001f; // 设置尺度空间中最小尺度的标准偏差 const int n_octaves 3; // 设置尺度空间层数越小则特征点越多 const int n_scales_per_octave 15; // 设置尺度空间中计算的尺度个数const float min_contrast 0.0001f; // 设置限制关键点检测的阈值 // 创建SIFT关键点检测对象pcl::SIFTKeypointpcl::PointXYZ, pcl::PointWithScale sift;sift.setInputCloud(cloud); // 设置输入点云pcl::search::KdTreepcl::PointXYZ::Ptr tree(new pcl::search::KdTreepcl::PointXYZ());sift.setSearchMethod(tree); // 设置KdTree搜索sift.setScales(min_scale, n_octaves, n_scales_per_octave); // 设置尺度范围sift.setMinimumContrast(min_contrast); // 设置最小对比度// 执行SIFT关键点检测sift.compute(*keypoints);
}// 可视化SIFT关键点
void visualizeSIFTKeypoints(pcl::PointCloudpcl::PointXYZ::Ptr cloud, pcl::PointCloudpcl::PointXYZ::Ptr keypoints)
{boost::shared_ptrpcl::visualization::PCLVisualizer viewer(new pcl::visualization::PCLVisualizer(SIFT Keypoints Viewer));int v1(0), v2(0);viewer-createViewPort(0, 0.0, 0.5, 1.0, v1);viewer-setBackgroundColor(1.0, 1.0, 1.0, v1); // 设置白色背景viewer-addText(Original Point Cloud, 10, 10, v1_text, v1);viewer-createViewPort(0.5, 0.0, 1.0, 1.0, v2);viewer-setBackgroundColor(0.98, 0.98, 0.98, v2); // 设置灰色背景viewer-addText(SIFT Keypoints, 10, 10, v2_text, v2);// 原始点云显示为绿色pcl::visualization::PointCloudColorHandlerCustompcl::PointXYZ original_color(cloud, 0, 255, 0);viewer-addPointCloud(cloud, original_color, original_cloud, v1);// 关键点显示为红色pcl::visualization::PointCloudColorHandlerCustompcl::PointXYZ keypoints_color(keypoints, 255, 0, 0);viewer-addPointCloud(keypoints, keypoints_color, keypoints_cloud, v2);// 设置点大小viewer-setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, keypoints_cloud);// 添加坐标系viewer-addCoordinateSystem(0.1);while (!viewer-wasStopped()){viewer-spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100000));}
}int main(int argc, char* argv[])
{pcl::StopWatch watch; // 计时器pcl::PointCloudpcl::PointXYZ::Ptr cloud_xyz(new pcl::PointCloudpcl::PointXYZ);pcl::io::loadPCDFile(bunny.pcd, *cloud_xyz);// 提取SIFT关键点pcl::PointCloudpcl::PointWithScale::Ptr sift_keypoints(new pcl::PointCloudpcl::PointWithScale);extractSIFTKeypoints(cloud_xyz, sift_keypoints);// 将SIFT关键点转换为标准XYZ格式pcl::PointCloudpcl::PointXYZ::Ptr cloud_temp(new pcl::PointCloudpcl::PointXYZ);pcl::copyPointCloud(*sift_keypoints, *cloud_temp);std::cout Extracted sift_keypoints-size() keypoints std::endl;std::cout SIFT关键点提取用时 watch.getTimeSeconds() 秒 std::endl;// 可视化输入点云和SIFT关键点visualizeSIFTKeypoints(cloud_xyz, cloud_temp);return 0;
}三、实现效果
