PCL 基于距离阈值去除错误对应关系

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 获取初始对应点对

2.1.2 基于距离的对应关系筛选函数

2.1.3 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

        在3D点云的配准过程中，我们通常会找到源点云和目标点云之间的对应点对。然而，这些对应点对可能包含一些错误的匹配关系。为了提升配准的精度，必须通过某些策略来剔除这些错误的对应点。本文将介绍一种基于距离阈值的错误对应关系剔除方法，实现对应点对的距离进行筛选，并移除那些不符合阈值要求的点对。

1.1原理

        在点云配准中，通常通过某种策略找到两个点云之间的初始对应点对。这些对应点对可能包含一些错误的匹配，比如距离过远的点对。通过设定一个合理的距离阈值，剔除那些不符合要求的点对，可以大大提高配准的精度。这里我们使用PCL中的

CorrespondenceRejectorDistance类对初始的对应关系进行筛选，保留距离在指定阈值内的点对。

1.2实现步骤

  1. 加载源点云和目标点云。
  2. 使用PCL的CorrespondenceEstimation类获取初始的点对匹配关系。
  3. 使用CorrespondenceRejectorDistance类基于距离阈值筛选对应点对。
  4. 可视化筛选前后的点对匹配关系，展示最终的结果

1.3应用场景

  1. 多视角点云的精确配准。
  2. 机器人SLAM中的环境建模。
  3. 自动驾驶中点云数据的对齐与去噪。

二、代码实现

2.1关键函数

2.1.1 获取初始对应点对

该函数使用CorrespondenceEstimation类来计算源点云与目标点云之间的初始匹配点对。

void get_correspondences(const pcl::PointCloud<pcl::PointXYZ>::Ptr& source,
                         const pcl::PointCloud<pcl::PointXYZ>::Ptr& target,
                         pcl::CorrespondencesPtr& correspondences)
{
    // 创建对应估计对象
    pcl::registration::CorrespondenceEstimation<pcl::PointXYZ, pcl::PointXYZ> corr_est;
    corr_est.setInputSource(source);  // 设置输入源点云
    corr_est.setInputTarget(target);  // 设置输入目标点云
    // 获取源点云和目标点云的初始对应点对
    corr_est.determineCorrespondences(*correspondences); 
}

2.1.2 基于距离的对应关系筛选函数

该函数使用CorrespondenceRejectorDistance类来剔除距离过大的对应点对。

void filter_correspondences_by_distance(const pcl::CorrespondencesPtr& correspondences,
                                        pcl::CorrespondencesPtr& correspondences_result_rej_dist,
                                        double max_distance)
{
    // 使用CorrespondenceRejectorDistance类剔除距离过大的点对
    pcl::registration::CorrespondenceRejectorDistance corr_rej_dist;
    corr_rej_dist.setInputCorrespondences(correspondences); // 设置输入的对应关系
    corr_rej_dist.setMaximumDistance(max_distance);        // 设置最大距离阈值
    corr_rej_dist.getCorrespondences(*correspondences_result_rej_dist); // 获取剔除后的对应关系
}

2.1.3 可视化函数

void visualize_registration(const pcl::PointCloud<pcl::PointXYZ>::Ptr& source,
                            const pcl::PointCloud<pcl::PointXYZ>::Ptr& target,
                            const pcl::CorrespondencesPtr& correspondences_result_rej_dist)
{
    // 创建PCLVisualizer对象
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("配准结果"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景颜色为黑色

    // 源点云着色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> source_color(source, 0, 255, 0);
    viewer->addPointCloud<pcl::PointXYZ>(source, source_color, "source cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "source cloud");

    // 目标点云着色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> target_color(target, 255, 0, 0);
    viewer->addPointCloud<pcl::PointXYZ>(target, target_color, "target cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "target cloud");

    // 添加对应点对的可视化
    viewer->addCorrespondences<pcl::PointXYZ>(source, target, *correspondences_result_rej_dist, "correspondence");

    // 开启渲染循环，直到窗口关闭
    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 <boost/thread/thread.hpp>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/registration/correspondence_estimation.h>
#include <pcl/registration/correspondence_rejection_distance.h>

using namespace std;

// 函数：获取初始对应点对
void get_correspondences(const pcl::PointCloud<pcl::PointXYZ>::Ptr& source,
    const pcl::PointCloud<pcl::PointXYZ>::Ptr& target,
    pcl::CorrespondencesPtr& correspondences)
{
    // 创建对应估计对象
    pcl::registration::CorrespondenceEstimation<pcl::PointXYZ, pcl::PointXYZ> corr_est;
    corr_est.setInputSource(source);  // 设置输入源点云
    corr_est.setInputTarget(target);  // 设置输入目标点云
    // 获取源点云和目标点云的初始对应点对
    corr_est.determineCorrespondences(*correspondences);
}

// 函数：基于距离的对应关系筛选
void filter_correspondences_by_distance(const pcl::CorrespondencesPtr& correspondences,
    pcl::CorrespondencesPtr& correspondences_result_rej_dist,
    double max_distance)
{
    // 使用CorrespondenceRejectorDistance类剔除距离过大的点对
    pcl::registration::CorrespondenceRejectorDistance corr_rej_dist;
    corr_rej_dist.setInputCorrespondences(correspondences); // 设置输入的对应关系
    corr_rej_dist.setMaximumDistance(max_distance);        // 设置最大距离阈值
    corr_rej_dist.getCorrespondences(*correspondences_result_rej_dist); // 获取剔除后的对应关系
}

// 函数：可视化点云及对应点对
void visualize_registration(const pcl::PointCloud<pcl::PointXYZ>::Ptr& source,
    const pcl::PointCloud<pcl::PointXYZ>::Ptr& target,
    const pcl::CorrespondencesPtr& correspondences_result_rej_dist)
{
    // 创建PCLVisualizer对象
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("配准结果"));
    viewer->setBackgroundColor(0, 0, 0);  // 设置背景颜色为黑色

    // 源点云着色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> source_color(source, 0, 255, 0);
    viewer->addPointCloud<pcl::PointXYZ>(source, source_color, "source cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "source cloud");

    // 目标点云着色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> target_color(target, 255, 0, 0);
    viewer->addPointCloud<pcl::PointXYZ>(target, target_color, "target cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "target cloud");

    // 添加对应点对的可视化
    viewer->addCorrespondences<pcl::PointXYZ>(source, target, *correspondences_result_rej_dist, "correspondence");

    // 开启渲染循环，直到窗口关闭
    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
}

int main(int argc, char** argv)
{
    // 加载目标点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr target(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile<pcl::PointXYZ>("1.pcd", *target);
    cout << "从目标点云中读取 " << target->size() << " 个点" << endl;

    // 加载源点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr source(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile<pcl::PointXYZ>("2.pcd", *source);
    cout << "从源点云中读取 " << source->size() << " 个点" << endl;

    // 获取初始的对应点对
    pcl::CorrespondencesPtr correspondences(new pcl::Correspondences);
    get_correspondences(source, target, correspondences);
    cout << "初始对应点对数量：" << correspondences->size() << endl;

    // 基于距离筛选对应点对
    pcl::CorrespondencesPtr correspondences_result_rej_dist(new pcl::Correspondences);
    filter_correspondences_by_distance(correspondences, correspondences_result_rej_dist, 0.1);
    cout << "距离筛选后的对应点对数量：" << correspondences_result_rej_dist->size() << endl;

    // 可视化最终结果
    visualize_registration(source, target, correspondences_result_rej_dist);

    return 0;
}

三、实现效果

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/896559.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

批量处理文件权限：解决‘/usr/bin/chmod: Argument list too long’的有效方法

批量处理文件权限：解决‘/usr/bin/chmod: Argument list too long’的有效方法

批量处理文件权限&#xff1a;解决‘/usr/bin/chmod: Argument list too long’的有效方法 错误原因解决方案1. 分批处理2. 使用xargs3. 增加ARG_MAX限制4. 使用脚本 结论 在Linux系统中&#xff0c;有时你可能会遇到这样的错误消息&#xff1a;“/usr/bin/chmod: Argument lis…
阅读更多...
大数据之hive(分布式SQL计算工具)加安装部署

大数据之hive(分布式SQL计算工具)加安装部署

1.分布式SQL计算: 对数据进行统计分析&#xff0c; SQL是目前最为方便的编程工具. 2.hive:主要功能: 将 SQL语句翻译成MapReduce程序运行,提供用户分布式SQL计算能力 3.构建分布式SQL计算:(hive核心组件) 需要有: 一:元数据管理功能, 即&#xff1a;数据位置,数据结构,等对数…
阅读更多...
SpringBoot篇（二、制作SpringBoot程序）

SpringBoot篇（二、制作SpringBoot程序）

目录 一、代码位置 二、四种方式 1. IDEA联网版 2. 官网 3. 阿里云 4. 手动 五、在IDEA中隐藏指定文件/文件夹 六、复制工程-快速操作 七、更改引导类别名 一、代码位置 二、四种方式 1. IDEA联网版 2. 官网 官网制作&#xff1a;Spring Boot 3. 阿里云 阿里云版制…
阅读更多...
HTTP和RPC通信协议

HTTP和RPC通信协议

在软件开发中&#xff0c;通信协议扮演着关键的角色&#xff0c;它们定义了不同系统或组件之间进行通信的规则和方式。HTTP&#xff08;Hypertext Transfer Protocol&#xff09;和RPC&#xff08;Remote Procedure Call Protocol&#xff09;是两种常见的通信协议。然而RPC 和…
阅读更多...
开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现推理加速的正确姿势-Gradio

开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现推理加速的正确姿势-Gradio

一、前言 目前&#xff0c;Qwen模型已经升级到了2.5版本。无论是语言模型还是多模态模型&#xff0c;它们都是在大规模的多语言和多模态数据上进行预训练的&#xff0c;并通过高质量的数据进行后期微调&#xff0c;以更好地符合人类的需求。 Gradio作为一个强大的工具&#xff…
阅读更多...
Windows--使用node.js的免安装版本

Windows--使用node.js的免安装版本

原文网址&#xff1a;Windows--使用node.js的免安装版本_IT利刃出鞘的博客-CSDN博客 简介 本文介绍Windows下如何使用node.js的免安装版本。 下载 1.访问官网 https://nodejs.org/en 记住这个版本号&#xff0c;这个是长期支持的版本。 2.找到压缩包 点击其他下载&#…
阅读更多...
Verilog基础：层次化标识符的使用

Verilog基础：层次化标识符的使用

相关阅读 Verilog基础https://blog.csdn.net/weixin_45791458/category_12263729.html?spm1001.2014.3001.5482 一、前言 Verilog HDL中的标识符(identifier)是一个为了引用而给一个Verilog对象起的名字&#xff0c;分为两大类&#xff1a;普通标识符大类和层次化标识符大类。…
阅读更多...
【OpenCV】人脸识别方法

【OpenCV】人脸识别方法

代码已上传GitHub&#xff1a;plumqm/OpenCV-Projects at master EigenFace、FisherFace、LBPHFace 这三种方法的代码区别不大所以就一段代码示例。 EigenFace与FisherFace 1. 将人脸图像展开为一维向量&#xff0c;组成训练数据集 2. PCA&#xff08;EigenFace&#xff09;或…
阅读更多...
Spring MVC 原理与源码

Spring MVC 原理与源码

Spring MVC 整体代码量有 5w 行&#xff0c;通过本专栏&#xff0c;可以快速的研读核心部分的代码&#xff0c;节省你的时间。 DispatcherServlet 的流程处理如下图&#xff1a; 但是随着前后端分离&#xff0c;后端大多提供 Restful API &#xff0c;里面的 ViewResolver 和 …
阅读更多...
word怎么清除格式，Word一键清除所有格式教程

word怎么清除格式，Word一键清除所有格式教程

你是否曾在编辑Word文档时遇到过复制内容时格式混乱的情况?别担心&#xff0c;这只需要清除一下格式就可以了&#xff0c;很多朋友还不知道word怎么清除格式&#xff0c;下面小编就来给大家讲一讲word一键清除所有格式的方法教程&#xff0c;操作非常简单&#xff0c;有需要的…
阅读更多...
02电力电子技术简介

02电力电子技术简介

电力电子技术简介 第一章主要是做通识性的介绍&#xff0c;介绍电力电子涉及的基本概念、学习方法和关联学科。最重要的是希望大家能理解电力电子在现实生活中的广泛应用。这一章简介主要分三部分来介绍。首先是概要性的通盘介绍。然后会通过力电子技术性的内容来了解一些拓扑…
阅读更多...
用Python将Office文档（Word、Excel、PowerPoint）批量转换为PDF

用Python将Office文档（Word、Excel、PowerPoint）批量转换为PDF

在处理不同格式的Office文档&#xff08;如Word、Excel和PowerPoint&#xff09;时&#xff0c;将其转换为PDF格式是常见的需求。这种转换不仅确保了文件在不同设备和操作系统间的一致性显示&#xff0c;而且有助于保护原始内容不被轻易修改&#xff0c;非常适合于正式报告、提…
阅读更多...
InnoDB引擎(架构,事务原理,MVCC详细解读）

InnoDB引擎(架构,事务原理,MVCC详细解读）

目录 架构分析 逻辑存储结构​ 内存结构​ Buffer Pool​ ChaneBuffer 自适应哈希​ LogBuffer​ 磁盘结构​ 后台线程​ 事务原理​ redolog日志 undolog日志​ MVCC​ 三个隐藏字段​ undolog版本链 readview​ RC(读已提交原理分析)​ RR(可重复读原理分析…
阅读更多...
yolov8-ultralytics-利用TP、TN、FP、FN添加mIoU指标

yolov8-ultralytics-利用TP、TN、FP、FN添加mIoU指标

在文件ultralytics/utils/metrics.py中的ConfusionMatrix类里 tp_fp 函数下方添加函数tp_fp_fn&#xff1a; def tp_fp_fn(self):"""Returns true positives, false positives and false negative."""tp self.matrix.diagonal()fp self.matri…
阅读更多...
深入理解计算机系统--计算机系统漫游

深入理解计算机系统--计算机系统漫游

对于一段最基础代码的文件hello.c&#xff0c;解释程序的运行 #include <stdio.h>int main() {printf ( "Hello, world\n") ;return 0; }1.1、信息就是位上下文 源程序是由值 0 和 1 组成的位&#xff08;比特&#xff09;序列&#xff0c;8 个位被组织成一组…
阅读更多...
HCIA复习实验

HCIA复习实验

实验要求 实验拓扑以及实验分析 第一步先划分网段 先对内网划分 192.168.1.0/24划分 192.168.1.0/26---骨干主线路 192.168.1.64/26---骨干备线路 ---192.168.1.128/25--vlan2 3汇总---便于减少路由表条目---在大型网络方便 192.168.1.128/26---vlan2 192.168.1.192/26---vla…
阅读更多...
OpenCV视觉分析之运动分析(2)背景减除类:BackgroundSubtractorKNN的使用

OpenCV视觉分析之运动分析(2)背景减除类:BackgroundSubtractorKNN的使用

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 K-最近邻&#xff08;K-nearest neighbours, KNN&#xff09;基于的背景/前景分割算法。 该类实现了如 319中所述的 K-最近邻背景减除。如果前景…
阅读更多...
-webkit-box-orient属性丢失？

-webkit-box-orient属性丢失？

在实际项目场景当中&#xff0c;我们经常会遇到需要对超长文本溢出省略的场景&#xff1a; 我们经常会这样写—— 单行省略&#xff1a; overflow: hidden; //文本溢出隐藏text-overflow: ellipsis; //文本溢出显示省略号white-space: nowrap; //不换行 多行省略&#xff1a…
阅读更多...
VUE3.0基础入门笔记

VUE3.0基础入门笔记

一、响应式基础 1.ref()&#xff1a;声明基本类型,引用类型&#xff0c;函数需接收参数&#xff0c;并将其包裹在一个带有 .value 属性的对象中&#xff0c;在模板中使用 ref 时&#xff0c;我们不需要附加 .value,当在模板中使用时&#xff0c;ref 会自动解包。 <templat…
阅读更多...
计算机毕业设计 基于 Python的考研学习系统的设计与实现 Python毕业设计选题 前后端分离 附源码 讲解 文档

计算机毕业设计 基于 Python的考研学习系统的设计与实现 Python毕业设计选题 前后端分离 附源码 讲解 文档

&#x1f34a;作者&#xff1a;计算机编程-吉哥 &#x1f34a;简介&#xff1a;专业从事JavaWeb程序开发&#xff0c;微信小程序开发&#xff0c;定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事&#xff0c;生活就是快乐的。 &#x1f34a;心愿&#xff1a;点…
阅读更多...
最新文章

Copyright @ 2022~2023