PCL-基于PCA计算点云的最小包围盒、顶点坐标和主轴方向

🕗 发布于 2024-07-21 19:28 算法 c++

最小包围盒

包围盒计算步骤

1.利用PCA主元分析法获得点云的三个主方向，获取质心，计算协方差，获得协方差矩阵，求取协方差矩阵的特征值和特长向量，特征向量即为主方向。
2.利用计算得到的主方向和质心，将输入点云转换至原点，且主方向与坐标系方向重回，建立变换到原点的点云的包围盒。
3.给输入点云设置主方向和包围盒，通过输入点云到原点点云变换的逆变换实现。

最小包围盒顶点坐标计算步骤

1.输入点云转换至原点后,计算变换后点云的最大最小x,y,z轴的坐标,此时(max.x,max.y,max.z),(max.x,min.y,max.z),(max.x,max.y,min.z),(min.x,max.y,max.z),(min.x,max.y,min.z),(min.x,min.y,max.z),(min.x,min.y,max.z),(min.x,min.y,min.z)
即为变换后点云的包围盒,也是原始输入点云包围盒顶点坐标经过变化后的坐标.
2.将上述求得的6个包围盒坐标逆变换回输入点云的坐标系,即得到原始输入点云的包围盒顶点坐标

代码实现


#include <iostream>
#include <pcl/ModelCoefficients.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/project_inliers.h>
#include <pcl/filters/extract_indices.h>
#include <pcl/sample_consensus/method_types.h>
#include <pcl/sample_consensus/model_types.h>
#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/passthrough.h>
#include <pcl/features/normal_3d.h>
#include <pcl/filters/radius_outlier_removal.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/segmentation/extract_clusters.h>
#include <Eigen/Core>
#include <pcl/common/transforms.h>
#include <pcl/common/common.h>
#include <pcl/common/time.h>
#include <pcl/common/angles.h>
#include <pcl/registration/transformation_estimation_svd.h>


using namespace std;
typedef pcl::PointXYZ PointType;
typedef struct myPointType
{
double x;  //mm world coordinate x  
double y;  //mm world coordinate y  
double z;  //mm world coordinate z  
int num;   //point num
};

// Get N bits of the string from back to front.
char* Substrend(char* str, int n)
{
char* substr = (char*)malloc(n + 1);
int length = strlen(str);
if (n >= length)
{
strcpy(substr, str);
return substr;
}
int k = 0;
for (int i = length - n; i < length; i++)
{
substr[k] = str[i];
k++;
}
substr[k] = '\0';
return substr;
}

int main(int argc, char** argv)
{
// create point cloud  
pcl::PointCloud<PointType>::Ptr cloud(new pcl::PointCloud<PointType>());


pcl::io::loadPCDFile("E:\\***\\cloud_cluster_1.pcd", *cloud);

// start calculating time
pcl::StopWatch time;


Eigen::Vector4f pcaCentroid;
pcl::compute3DCentroid(*cloud, pcaCentroid);
Eigen::Matrix3f covariance;
pcl::computeCovarianceMatrixNormalized(*cloud, pcaCentroid, covariance);
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3f> eigen_solver(covariance, Eigen::ComputeEigenvectors);
Eigen::Matrix3f eigenVectorsPCA = eigen_solver.eigenvectors();
Eigen::Vector3f eigenValuesPCA = eigen_solver.eigenvalues();
eigenVectorsPCA.col(2) = eigenVectorsPCA.col(0).cross(eigenVectorsPCA.col(1)); //校正主方向间垂直
eigenVectorsPCA.col(0) = eigenVectorsPCA.col(1).cross(eigenVectorsPCA.col(2));
eigenVectorsPCA.col(1) = eigenVectorsPCA.col(2).cross(eigenVectorsPCA.col(0));

std::cout << "特征值va(3x1):\n" << eigenValuesPCA << std::endl;
std::cout << "特征向量ve(3x3):\n" << eigenVectorsPCA << std::endl;
std::cout << "质心点(4x1):\n" << pcaCentroid << std::endl;
/*
// 另一种计算点云协方差矩阵特征值和特征向量的方式:通过pcl中的pca接口，如下，这种情况得到的特征向量相似特征向量
pcl::PointCloud<pcl::PointXYZ>::Ptr cloudPCAprojection (new pcl::PointCloud<pcl::PointXYZ>);
pcl::PCA<pcl::PointXYZ> pca;
pca.setInputCloud(cloudSegmented);
pca.project(*cloudSegmented, *cloudPCAprojection);
std::cerr << std::endl << "EigenVectors: " << pca.getEigenVectors() << std::endl;//计算特征向量
std::cerr << std::endl << "EigenValues: " << pca.getEigenValues() << std::endl;//计算特征值
*/
Eigen::Matrix4f tm = Eigen::Matrix4f::Identity();
Eigen::Matrix4f tm_inv = Eigen::Matrix4f::Identity();
tm.block<3, 3>(0, 0) = eigenVectorsPCA.transpose();   //R.
tm.block<3, 1>(0, 3) = -1.0f * (eigenVectorsPCA.transpose()) * (pcaCentroid.head<3>());//  -R*t
tm_inv = tm.inverse();

std::cout << "变换矩阵tm(4x4):\n" << tm << std::endl;
std::cout << "逆变矩阵tm'(4x4):\n" << tm_inv << std::endl;

pcl::PointCloud<PointType>::Ptr transformedCloud(new pcl::PointCloud<PointType>);
pcl::transformPointCloud(*cloud, *transformedCloud, tm);

PointType min_p1, max_p1;
Eigen::Vector3f c1, c;
pcl::getMinMax3D(*transformedCloud, min_p1, max_p1);
c1 = 0.5f * (min_p1.getVector3fMap() + max_p1.getVector3fMap());

std::cout << "型心c1(3x1):\n" << c1 << std::endl;

Eigen::Affine3f tm_inv_aff(tm_inv);
pcl::transformPoint(c1, c, tm_inv_aff);

Eigen::Vector3f whd, whd1;
whd1 = max_p1.getVector3fMap() - min_p1.getVector3fMap();
whd = whd1;
float sc1 = (whd1(0) + whd1(1) + whd1(2)) / 3;  //点云平均尺度，用于设置主方向箭头大小

std::cout << "width1=" << whd1(0) << endl;
std::cout << "heght1=" << whd1(1) << endl;
std::cout << "depth1=" << whd1(2) << endl;
std::cout << "scale1=" << sc1 << endl;

const Eigen::Quaternionf bboxQ1(Eigen::Quaternionf::Identity());
const Eigen::Vector3f    bboxT1(c1);
const Eigen::Quaternionf bboxQ(tm_inv.block<3, 3>(0, 0));
const Eigen::Vector3f    bboxT(c);

//变换到原点的点云主方向
PointType op;
op.x = 0.0;
op.y = 0.0;
op.z = 0.0;
Eigen::Vector3f px, py, pz;
Eigen::Affine3f tm_aff(tm);
pcl::transformVector(eigenVectorsPCA.col(0), px, tm_aff);
pcl::transformVector(eigenVectorsPCA.col(1), py, tm_aff);
pcl::transformVector(eigenVectorsPCA.col(2), pz, tm_aff);
PointType pcaX;
pcaX.x = sc1 * px(0);
pcaX.y = sc1 * px(1);
pcaX.z = sc1 * px(2);
PointType pcaY;
pcaY.x = sc1 * py(0);
pcaY.y = sc1 * py(1);
pcaY.z = sc1 * py(2);
PointType pcaZ;
pcaZ.x = sc1 * pz(0);
pcaZ.y = sc1 * pz(1);
pcaZ.z = sc1 * pz(2);

//初始点云的主方向
PointType cp;
cp.x = pcaCentroid(0);
cp.y = pcaCentroid(1);
cp.z = pcaCentroid(2);
PointType pcX;
pcX.x = sc1 * eigenVectorsPCA(0, 0) + cp.x;
pcX.y = sc1 * eigenVectorsPCA(1, 0) + cp.y;
pcX.z = sc1 * eigenVectorsPCA(2, 0) + cp.z;
PointType pcY;
pcY.x = sc1 * eigenVectorsPCA(0, 1) + cp.x;
pcY.y = sc1 * eigenVectorsPCA(1, 1) + cp.y;
pcY.z = sc1 * eigenVectorsPCA(2, 1) + cp.z;
PointType pcZ;
pcZ.x = sc1 * eigenVectorsPCA(0, 2) + cp.x;
pcZ.y = sc1 * eigenVectorsPCA(1, 2) + cp.y;
pcZ.z = sc1 * eigenVectorsPCA(2, 2) + cp.z;

//Rectangular vertex 
pcl::PointCloud<PointType>::Ptr transVertexCloud(new pcl::PointCloud<PointType>);//存放变换后点云包围盒的6个顶点
pcl::PointCloud<PointType>::Ptr VertexCloud(new pcl::PointCloud<PointType>);//存放原来点云中包围盒的6个顶点
transVertexCloud->width = 6;
transVertexCloud->height = 1;
transVertexCloud->is_dense = false;
transVertexCloud->points.resize(transVertexCloud->width * transVertexCloud->height);
transVertexCloud->points[0].x = max_p1.x;
transVertexCloud->points[0].y = max_p1.y;
transVertexCloud->points[0].z = max_p1.z;
transVertexCloud->points[1].x = max_p1.x;
transVertexCloud->points[1].y = max_p1.y;
transVertexCloud->points[1].z = min_p1.z;
transVertexCloud->points[2].x = max_p1.x;
transVertexCloud->points[2].y = min_p1.y;
transVertexCloud->points[2].z = min_p1.z;
transVertexCloud->points[3].x = min_p1.x;
transVertexCloud->points[3].y = max_p1.y;
transVertexCloud->points[3].z = max_p1.z;
transVertexCloud->points[4].x = min_p1.x;
transVertexCloud->points[4].y = min_p1.y;
transVertexCloud->points[4].z = max_p1.z;
transVertexCloud->points[5].x = min_p1.x;
transVertexCloud->points[5].y = min_p1.y;
transVertexCloud->points[5].z = min_p1.z;
pcl::transformPointCloud(*transVertexCloud, *VertexCloud, tm_inv);

// 逆变换回来的角度
cout << whd1(0) << " " << whd1(1) << " " << whd1(2) << endl;
auto euler = bboxQ1.toRotationMatrix().eulerAngles(0, 1, 2);
std::cout << "Euler from quaternion in roll, pitch, yaw" << std::endl << euler / 3.14 * 180 << std::endl << std::endl;

//Output time consumption 
std::cout << "运行时间" << time.getTime() << "ms" << std::endl;

//visualization
pcl::visualization::PCLVisualizer viewer;
pcl::visualization::PointCloudColorHandlerCustom<PointType> tc_handler(transformedCloud, 0, 255, 0); //设置点云颜色
//Visual transformed point cloud
viewer.addPointCloud(transformedCloud, tc_handler, "transformCloud");
viewer.addCube(bboxT1, bboxQ1, whd1(0), whd1(1), whd1(2), "bbox1");
viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_REPRESENTATION, pcl::visualization::PCL_VISUALIZER_REPRESENTATION_WIREFRAME, "bbox1");
viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 0.0, 1.0, 0.0, "bbox1");

viewer.addArrow(pcaX, op, 1.0, 0.0, 0.0, false, "arrow_X");
viewer.addArrow(pcaY, op, 0.0, 1.0, 0.0, false, "arrow_Y");
viewer.addArrow(pcaZ, op, 0.0, 0.0, 1.0, false, "arrow_Z");

pcl::visualization::PointCloudColorHandlerCustom<PointType> color_handler(cloud, 255, 0, 0);
viewer.addPointCloud(cloud, color_handler, "cloud");
viewer.addCube(bboxT, bboxQ, whd(0), whd(1), whd(2), "bbox");
viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_REPRESENTATION, pcl::visualization::PCL_VISUALIZER_REPRESENTATION_WIREFRAME, "bbox");
viewer.setShapeRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "bbox");

viewer.addArrow(pcX, cp, 1.0, 0.0, 0.0, false, "arrow_x");
viewer.addArrow(pcY, cp, 0.0, 1.0, 0.0, false, "arrow_y");
viewer.addArrow(pcZ, cp, 0.0, 0.0, 1.0, false, "arrow_z");

viewer.addCoordinateSystem(0.5f * sc1);
viewer.setBackgroundColor(0.0, 0.0, 0.0);

viewer.addPointCloud(VertexCloud, "temp_cloud");
viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 10, "temp_cloud");
while (!viewer.wasStopped())
{
viewer.spinOnce();
}

return 0;
}

实验结果

在这里插入图片描述

总结

实验环境：pcl1.11.0+vs2019+win10
点云包围盒在碰撞检测时，可以使用包围盒来提前排除大部分不在关注区域内的点云。
顶点坐标精确描述了点云的位置。
点云主轴方向可做帮助识别点云的旋转状态，此外，在点云处理中，通常需要将不同视角或不同时间采集的点云数据进行配准和对齐，主轴方向是一种常用的参考依据。

参考

PCL 主成分分析(PCA)在三维点云中的应用
 PCA主成分分析方法
 特征方向说说主成分分析(PCA)的源头

原文地址：https://blog.csdn.net/wfengzi5/article/details/140591108

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：etcd磁盘空间故障处理办法
下一篇：当Excel处理神器EasyExcel遇上Apache POI：一场关于依赖的趣味‘撞车’冒险

sql server 查看io资源使用
如果输出physical reads 或者 read-ahead reads 大于0 ，则表示有物理读取。
阅读更多2024-11-14
opencv入门学习总结
import cv2 # 返回当前安装的 OpenCV 库的版本信息并且是字符串格式 print(cv2 . getVersionString()) """作用：它可以
阅读更多2024-11-14
stable-diffusion-3 ，每天免费试用
官方space，童叟无欺，科学试用。
阅读更多2024-11-14
AI绘画经验（stable-diffusion）
在Stable Diffusion中，编码器将图像压缩成一个较小的Latent特征向量，这个向量包含了图像的关键信息，并且可以作为U-Net的输入。在Stable Diffusion中，文本编码器用于
阅读更多2024-11-14
【Linux网络编程】Socket编程--TCP：echo server | 多线程远程命令执行
【Linux网络编程】Socket编程--TCP：echo server | 多线程远程命令执行
阅读更多2024-11-14
vLLM×Milvus：如何高效管理GPU内存，减少大模型幻觉
大语言模型（LLM）是功能丰富且强大的 AI 系统，能够解决各个领域内的众多问题。它们的发展速度非常快，新模型不断被频繁推出。通常，新推出的 LLM 在处理各种任务时的性能更好。例如 Mistral、
阅读更多2024-11-14
一个功能强大的文档解析和转换工具，支持PDF、DOCX、PPTX和Markdown等
Docling是一个功能强大的文档解析和转换工具，支持多种文档格式，提供先进的PDF理解功能，并允许用户将文档转换为Markdown和JSON格式。它还具有元数据提取、OCR支持、无缝集成以及其他高级
阅读更多2024-11-14
计算机网络：运输层 —— TCP 协议概述与 TCP 报文段首部格式
传输控制协议（Transmission Control Protocol，TCP）协议是互联网上最常用的传输层协议之一，它负责提供可靠的端到端数据传输服务。TCP 协议采用连接导向的通信方式，通过三次
阅读更多2024-11-14
MySQL常见面试题
MySQL常见面试题
阅读更多2024-11-14
《Redis 实战基础、持久化机制及与 MySQL 一致性解决方案》
本文探讨了Redis的持久化机制及其在不同场景下的应用，并简要介绍了与MySQL数据同步的一致性解决方案。希望这些内容能帮助读者更好地理解和使用Redis，提升应用系统的性能和可靠性。
阅读更多2024-11-14