PCL 估计点云的VFH特征
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 法向量计算
2.1.2 VFH特征计算
2.1.3 直方图可视化
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
VFH (Viewpoint Feature Histogram) 特征是一种三维点云描述子，它结合了点云的局部几何信息和视点信息，以提高物体识别和分类的精度。VFH 特征通过计算每个点云的法向量分布，生成一个 308 维的特征直方图，用于表示该点云的形状特征。
1.1原理
VFH 特征的计算过程主要包括以下几个步骤：
1.法向量计算：使用法向量计算估计点云表面的几何结构，法向量描述了点的局部表面方向。
2.视点信息计算：通过计算每个点云的法向量与视点方向之间的关系，增强对视角变化的鲁棒性。
3.VFH特征由两部分组成：
- 点云几何特征：VFH捕捉点云的局部几何结构，计算法向量之间的夹角分布，生成法向量直方图。
- 视点相关特征：通过计算法向量与视点方向之间的关系，生成视点相关的直方图信息。
4.特征直方图生成：通过对点与点之间的夹角及点与视点之间的夹角进行直方图统计，生成一个 308 维的特征向量，用于后续的物体识别或分类。
1.2实现步骤
- 读取点云数据：从PCD文件中读取点云。
- 计算法向量：通过KdTree搜索算法，计算每个点的法向量。
- 计算VFH特征：利用点云和法向量，生成VFH特征向量。
- 直方图可视化：将计算的VFH特征通过直方图进行可视化。
1.3应用场景
- 三维物体识别：通过VFH特征可以对物体进行精确识别和分类。
- 机器人抓取：VFH特征结合视点信息，可以为机器人提供更精准的抓取位置和姿态。
- 点云配准：在点云配准中，VFH特征能够帮助不同点云间的匹配，提高配准精度。
二、代码实现
2.1关键函数
2.1.1 法向量计算
void computeNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());ne.setInputCloud(cloud); // 设置输入点云ne.setSearchMethod(tree); // 设置搜索方法ne.setRadiusSearch(0.03); // 搜索半径3cmne.compute(*normals); // 计算法向量
}2.1.2 VFH特征计算
void computeVFH(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals, pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_features)
{pcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh;vfh.setInputCloud(cloud); // 设置输入点云vfh.setInputNormals(normals); // 设置法向量pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());vfh.setSearchMethod(tree); // 设置搜索方法vfh.compute(*vfh_features); // 计算VFH特征
}
2.1.3 直方图可视化
void visualizeVFH(pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_features)
{pcl::visualization::PCLPlotter plotter;plotter.setTitle("VFH Feature Histogram"); // 设置标题plotter.setShowLegend(true); // 显示图例plotter.addFeatureHistogram(*vfh_features, 300); // 可视化VFH特征plotter.setWindowSize(800, 600); // 设置窗口大小plotter.spinOnce(30000000); // 显示
}2.2完整代码
#include <iostream>
#include <pcl/point_types.h>
#include <pcl/features/vfh.h> // VFH特征估计头文件
#include <pcl/io/pcd_io.h> // 点云文件读写
#include <pcl/features/normal_3d.h> // 法线特征估计
#include <pcl/visualization/pcl_plotter.h> // 用于可视化VFH直方图using namespace std;// 计算法向量
void computeNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals)
{pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());ne.setInputCloud(cloud); // 设置输入点云ne.setSearchMethod(tree); // 设置搜索方法ne.setRadiusSearch(0.03); // 设置搜索半径为3厘米ne.compute(*normals); // 计算法向量
}// 计算VFH特征
void computeVFH(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::Normal>::Ptr normals, pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_features)
{pcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh;vfh.setInputCloud(cloud); // 设置输入点云vfh.setInputNormals(normals); // 设置法向量pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());vfh.setSearchMethod(tree); // 设置搜索方法vfh.compute(*vfh_features); // 计算VFH特征
}// 可视化VFH直方图
void visualizeVFH(pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_features)
{pcl::visualization::PCLPlotter plotter;plotter.setTitle("VFH Feature Histogram"); // 设置标题plotter.setShowLegend(true); // 显示图例plotter.addFeatureHistogram(*vfh_features, 300); // 可视化VFH特征plotter.setWindowSize(800, 600); // 设置窗口大小plotter.spinOnce(30000000); // 显示
}int main()
{// 1. 读取点云数据pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PCDReader reader;reader.read("person2.pcd", *cloud);// 2. 计算法向量pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);computeNormals(cloud, normals);// 3. 计算VFH特征pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_features(new pcl::PointCloud<pcl::VFHSignature308>);computeVFH(cloud, normals, vfh_features);// 4. 可视化VFH特征直方图visualizeVFH(vfh_features);return 0;
}
三、实现效果
