当前位置：首页 > news >正文

PCL Harris3D关键点提取

news 2025/1/20 6:00:05

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 Harris3D关键点提取

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

Harris3D关键点检测是一种经典的角点检测算法，被广泛应用于图像处理和点云处理。该算法通过计算每个点的响应值，提取局部几何结构显著的关键点。相较于其他特征点检测算法，Harris3D具有更好的鲁棒性和准确性，尤其适用于三维点云数据的关键点检测。

1.1原理

Harris3D角点检测的基本思想是通过局部邻域的法线信息计算角点响应值，然后通过非极大值抑制提取局部极值点作为关键点。

角点响应值计算：通过法线估计计算每个点的角点响应值，并通过设定阈值筛选出响应值较高的点。
非极大值抑制：为了确保提取的关键点具有局部显著性，Harris3D算法通过非极大值抑制来移除响应值较低的邻域点。
细化关键点：该算法还可以对提取的关键点进行细化，使得关键点更加精确地表示局部几何结构。

Harris响应函数的核心思想是通过计算每个点局部的协方差矩阵，利用特征值的大小来判断该点是否为角点。协方差矩阵的特征值可以反映点云在局部的变化程度：

如果某个点在所有方向上都有较大的变化，说明该点处于角点位置。
如果某个点在某一方向上的变化较大，而在其他方向上变化较小，说明该点处于边缘。
如果某个点在所有方向上变化都很小，说明该点处于平坦区域。

1.2实现步骤

读取点云数据。
设置Harris3D关键点提取的参数，如搜索半径、非极大值抑制等。
通过Harris3D算法提取关键点。
对提取的关键点进行可视化，与原始点云进行对比。

1.3应用场景

三维物体识别：在三维物体识别中，提取具有显著性的关键点，用于特征匹配和识别。
点云配准：在点云配准过程中，Harris关键点可用于提高配准的准确性。
特征点提取：该算法可以用于提取点云中具有局部显著性的特征点，为后续的特征匹配和分析提供基础。

二、代码实现

2.1关键函数

2.1.1 Harris3D关键点提取

void extractHarrisKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris;pcl::PointCloud<pcl::PointXYZI>::Ptr Harris_keypoints(new pcl::PointCloud<pcl::PointXYZI>);harris.setInputCloud(cloud);       // 输入点云harris.setMethod(harris.LOWE);     // 设置Harris算法方法harris.setRadius(0.02);            // 法线估计和非极大值抑制的半径harris.setRadiusSearch(0.01);      // 最近邻居的球半径harris.setNonMaxSupression(true);  // 应用非最大值抑制harris.setThreshold(0.002);        // 设置角点检测阈值harris.setRefine(true);            // 是否对关键点进行细化harris.setNumberOfThreads(6);      // 设置线程数harris.compute(*Harris_keypoints); // 计算Harris关键点pcl::PointIndicesConstPtr keypoints2_indices = harris.getKeypointsIndices();pcl::copyPointCloud(*cloud, *keypoints2_indices, *keypoints); // 从原始点云中提取关键点
}

2.1.2 可视化函数

void visualizeHarrisKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Harris 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("Harris 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/point_cloud.h>
#include <pcl/common/time.h>  // pcl::StopWatch头文件
#include <pcl/keypoints/harris_3d.h> // Harris3D关键点检测
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>// Harris3D关键点提取函数
void extractHarrisKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris;pcl::PointCloud<pcl::PointXYZI>::Ptr Harris_keypoints(new pcl::PointCloud<pcl::PointXYZI>);harris.setInputCloud(cloud);       // 设置输入点云harris.setMethod(harris.LOWE);     // 设置Harris算法方法harris.setRadius(0.01);            // 设置法线估计和非极大值抑制的半径harris.setRadiusSearch(0.01);      // 设置关键点检测的最近邻居的球半径harris.setNonMaxSupression(true);  // 应用非最大值抑制harris.setThreshold(0.01);        // 设置角点检测阈值harris.setRefine(true);            // 是否对关键点进行细化harris.setNumberOfThreads(6);      // 设置线程数harris.compute(*Harris_keypoints); // 计算关键点pcl::PointIndicesConstPtr keypoints2_indices = harris.getKeypointsIndices();pcl::copyPointCloud(*cloud, *keypoints2_indices, *keypoints); // 提取关键点
}// 可视化函数
void visualizeHarrisKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("Harris 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("Harris 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));}
}int main(int argc, char** argv)
{// 读取点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());if (pcl::io::loadPCDFile<pcl::PointXYZ>("hand.pcd", *cloud) == -1) // 读取点云文件{PCL_ERROR("Couldn't read file!\n");return -1;}std::cout << "读取点云个数: " << cloud->points.size() << std::endl;// 提取Harris3D关键点pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints(new pcl::PointCloud<pcl::PointXYZ>());extractHarrisKeypoints(cloud, keypoints);std::cout << "Harris3D关键点提取结果: " << keypoints->points.size() << std::endl;// 可视化visualizeHarrisKeypoints(cloud, keypoints);return 0;
}