PCL 3D-SIFT关键点检测（Z方向梯度约束

🕗 发布于 2024-10-09 21:15 人工智能 深度学习 算法 3d 计算机视觉

一、概述

1.1原理

1.2实现步骤

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

SIFT（Scale-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::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::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::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift;
    sift.setInputCloud(cloud);                // 设置输入点云
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::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::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{
    boost::shared_ptr<pcl::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::PointCloudColorHandlerCustom<pcl::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::PointCloudColorHandlerCustom<pcl::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
{
    template<>
    struct SIFTKeypointFieldSelector<PointXYZ>
    {
        inline float
            operator () (const PointXYZ& p) const
        {
            return p.z;
        }
    };
}

// 提取SIFT关键点
void extractSIFTKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::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::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift;
    sift.setInputCloud(cloud);                // 设置输入点云
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::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::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{
    boost::shared_ptr<pcl::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::PointCloudColorHandlerCustom<pcl::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::PointCloudColorHandlerCustom<pcl::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::PointCloud<pcl::PointXYZ>::Ptr cloud_xyz(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile("bunny.pcd", *cloud_xyz);

    // 提取SIFT关键点
    pcl::PointCloud<pcl::PointWithScale>::Ptr sift_keypoints(new pcl::PointCloud<pcl::PointWithScale>);
    extractSIFTKeypoints(cloud_xyz, sift_keypoints);

    // 将SIFT关键点转换为标准XYZ格式
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_temp(new pcl::PointCloud<pcl::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

原文地址：https://blog.csdn.net/qq_47947920/article/details/142782319

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：【Java】并发编程基础 —— 进程、线程、并行与并发及相关方法示例
下一篇：自动机器学习（AutoML）：实战项目中的应用与实现

银发产业资讯丨蚂蚁集团、金城药业、百联集团、京东健康布局业务
据悉，金融监管总局将出台配套政策，科学界定商保年金的内涵和外延，鼓励保险公司发挥精算技术、长期产品开发、长期资金管理等优势，为人民群众提供丰富多样的养老保障和跨期财务规划服务。近日，四川省发放“蜀里安
阅读更多2024-10-11
【JavaScript】万字整理 JS 内置对象和 DOM 对象操作节点【全！】
DOM 是针对 HTML 文档的一个 API (应用程序编程接口 Application Programming Interface)，描绘了一个层次化的节点树，允许开发人员添加、移除和修改页面元素。
阅读更多2024-10-11
分治算法(3)_快速选择_数组中的第K个最大元素
分治算法(3)_快速选择_数组中的第K个最大元素,top k问题,除了堆排序,快速选择同样不赖!
阅读更多2024-10-11
力扣（leetcode）每日一题 871 最低加油次数 | 贪心
和滑动窗口的写法是一样的，但是这是属于贪心算法。滑动窗口也属于贪心这一类问题。这个题目还是比较简单的，如果因为看到hard而没有做出来就太可惜了官方题解用了一个while解决问题，本质是一样的，是多引
阅读更多2024-10-11
JEDEC规定的多种IO电平标准
Joint Electron Device Engineering Council (JEDEC) 是电子行业的重要标准组织之一，它为半导体器件和电子元器件制定了一系列标准。JEDEC 的标准涵盖了存
阅读更多2024-10-11
【GO】Go语言初探
C语言相对而言比较原始，C++语言又过于复杂，对于一部分人而言学习Go语言似乎变成了一件很有性价比的事情。而对于有C/C++基础的同学来说，学习Go语言就变得非常容易。Go语言，Go Language
阅读更多2024-10-11
客户端无法访问到S7-1500的OPC UA服务
客户端无法访问到S7-1500的OPC UA服务器的问题，可能由多种原因造成。
阅读更多2024-10-11
10.10总结
总思路就是设dp[i][j],i为节点编号，j为以n为起点的余3的边的数量，那么剩下的就是排列组合的问题了，这个转移方程也蛮巧妙的，刚开始算重复了，后来把子树上的三种边分开算就a了。还有一种常见的用法
阅读更多2024-10-11
C++ 游戏开发流程和设计概述
C++ 游戏开发是一个综合性的过程，涉及多种技能和知识。下面将详细描述游戏开发的各个方面，包括设计、编程、引擎选择、开发流程以及工具和资源。
阅读更多2024-10-11
Gitxray：一款基于GitHub REST API的网络安全工具
Gitxray是一款基于GitHub REST API的网络安全工具，支持利用公共 GitHub REST API 进行OSINT、信息安全取证和安全检测等任务。
阅读更多2024-10-11

PCL 3D-SIFT关键点检测（Z方向梯度约束

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

相关文章