PCL点云处理的应用实验

1.实验目的

通过PCL处理点云数据，从点云数据中提取出待装货货车的点云数据并将其可视化。

2.所处理点云的原始可视化图像及最终效果图

原始图：

处理后：

3.处理过程概述

1.首先由于点云数据中点的数量很大，做一些处理时耗时较多，所以第一步是使用体素滤波，实现下采样，即在保留点云原有形状的基础上减少点的数量 减少点云数据，以提高后面对点云处理的速度。
2.通过随机采样一致性（前面多出用到）分割地面，将地面从点云中分离出来，这时候地面上的物体就悬空了。
3.去除地面后地面上物体都悬空了，这时候就使用统计滤波剔除掉离散点。
4.物体悬空后就更好分离了，现在就构建Kdtree通过欧几里得聚类提取获取路面上不同物体，然后车辆就提取了出来。

4.实验内容

4.1.上面的基本思路已经写出来了，下面就直接上代码。

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/filters/passthrough.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/sample_consensus/method_types.h>   //随机参数估计方法头文件
#include <pcl/sample_consensus/model_types.h>   //模型定义头文件
#include <pcl/segmentation/sac_segmentation.h>   //基于采样一致性分割的类的头文件
#include <pcl/filters/extract_indices.h>
#include <pcl/segmentation/extract_clusters.h>
#include <QDebug>
#include<iostream>
#include<algorithm>
using namespace std;

Int main (int argc, char** argv)
{
    //点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    //处理后点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_handle(new pcl::PointCloud<pcl::PointXYZ>);
    //从点云文件中读取点云数据
    pcl::io::loadPCDFile("d:/2.pcd", *cloud);
    cloud_handle = cloud;

    /**
      先使用体素滤波向下采样处理点云
     * @brief sor
     */
    pcl::VoxelGrid<pcl::PointXYZ> sor;           //创建滤波对象
    sor.setInputCloud (cloud);                   //设置需要过滤的点云给滤波对象
    sor.setLeafSize (0.5, 0.5, 0.5);             //设置滤波时创建的体素体积，单位m，因为保留点云大体形状的方式是保留每个体素的中心点，所以体素体积越大那么过滤掉的点云就越多
    sor.filter (*cloud);                         //执行滤波处理

    /**
       平面分割，分割出地面
     * 创建分割时所需要的模型系数对象，coefficients及存储内点的点索引集合对象inliers
     * @brief coefficients
     */
    pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
    pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
    pcl::SACSegmentation<pcl::PointXYZ> seg;  // 创建分割对象
    seg.setOptimizeCoefficients (true);       // 可选择配置，设置模型系数需要优化
    // 必要的配置，设置分割的模型类型，所用的随机参数估计方法，距离阀值，输入点云
    seg.setModelType (pcl::SACMODEL_PLANE);   //设置模型类型
    seg.setMethodType (pcl::SAC_RANSAC);      //设置随机采样一致性方法类型
    seg.setDistanceThreshold (1);             //设定距离阀值，距离阀值决定了点被认为是局内点是必须满足的条件
                                              //表示点到估计模型的距离最大值
    seg.setInputCloud (cloud);
    //引发分割实现，存储分割结果到点几何inliers及存储平面模型的系数coefficients
    seg.segment (*inliers, *coefficients);

    //创建点云提取对象，将处理后的点云提取出来
    pcl::ExtractIndices<pcl::PointXYZ> extract;
    extract.setInputCloud (cloud);
    extract.setIndices (inliers);
    extract.setNegative (true);
    extract.filter (*cloud);


    /**
      统计滤波去除离散点
      * @brief sta
     */
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sta;   //创建滤波器对象
    sta.setInputCloud (cloud);                           //设置待滤波的点云
    sta.setMeanK (2000);                                 //设置在进行统计时考虑查询点临近点数
    sta.setStddevMulThresh (0.05);                       //设置判断是否为离群点的阀值,根据原理来说，阈值越小过滤掉的点就越多
    sta.filter (*cloud);                                 //存储

    // 建立kd-tree对象用来搜索
    pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree(new pcl::search::KdTree<pcl::PointXYZ>);
    kdtree->setInputCloud(cloud);

    // Euclidean 聚类对象.
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> clustering;
    // 设置聚类的最小值 4m
    clustering.setClusterTolerance(4);
    // 设置聚类的小点数和最大点云数
    clustering.setMinClusterSize(5000);
    //clustering.setMaxClusterSize(25000);
    //设置搜索方式
    clustering.setSearchMethod(kdtree);
    clustering.setInputCloud(cloud);
    std::vector<pcl::PointIndices> clusters;
    clustering.extract(clusters);
    //处理后保存的聚类是已降序排序的，所以第一个聚类就是我们想要的聚类
    long num = 0;
    int j = 0;
    for (std::vector<pcl::PointIndices>::const_iterator i = clusters.begin(); i != clusters.end();++i)
    {
        //添加所有的点云到一个新的点云中
        pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
        for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)
        cluster->points.push_back(cloud->points[*point]);
        cluster->width = cluster->points.size();
        cluster->height = 1;
        cluster->is_dense = true;
        j++;
        qDebug()<<"编号"<<j<<"聚类点数量："<<cluster->points.size();
     }

    //获取最大聚类将所有点添加到新点云中
    std::vector<pcl::PointIndices>::const_iterator i = clusters.begin();
    pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
    for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)
    cluster->points.push_back(cloud->points[*point]);
    cluster->width = cluster->points.size();
    cluster->height = 1;
    cluster->is_dense = true;


    //处理后点云显示
    pcl::visualization::CloudViewer viewer("PCL滤波");
    viewer.showCloud(cluster);
    while (!viewer.wasStopped()){
    }

  return (0);
}

控制台输出结果：
编号 1 聚类点数量： 20847 （装货机器旁边的货车）
编号 2 聚类点数量： 10410 （装货机器）
编号 3 聚类点数量： 7171 （后面显示不完整的或者）

4.2.代码分解

下面我们对上面的代码进行分解，为了更好地理解整个处理过程，也将对前面两篇文章未提及的知识进行拓展，尽量做到详细。
//点云对象
pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ);
//从点云文件中读取点云数据
pcl::io::loadPCDFile(“d:/2.pcd”, *cloud);
首先是从磁盘中读取点云数据： 这里是从磁盘中读取点云数据到二进制存储块中。

    pcl::VoxelGrid<pcl::PointXYZ> sor;   //创建滤波对象
    sor.setInputCloud (cloud);         //设置需要过滤的点云给滤波对象
    sor.setLeafSize (0.5, 0.5, 0.5);      //设置滤波时创建的体素体积，单位m，因为保留点云大体形状的方式是保留每个体素的中心点，所以体素体积越大那么过滤掉的点云就越多
    sor.filter (*cloud);                         //执行滤波处理

使用体素滤波向下采样处理点云，这一步是十分关键的，我们实际的处理的点云文件中的数据可能很多,过多的点云数量会对后续分割工作带来困难。体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能。他的具体原理是将三维点云划分为众多的体素（立方体），然后在每个体素内，用体素中所有点的重心来近似显示体素中其他点，这样该体素就内所有点就用一个重心点最终表示，这样使用体素滤波下采样处理过后的点云虽然点的数量减少的，但是点云的基本形状还保留。他的设置参数主要就是setLeafSize (0.5, 0.5, 0.5); 参数单位都是m，分别代表体素的长宽高。下采样的程度就是通过这三个参数来设置的，很好理解，就是体素体积越大那么保留的点就会越少。

pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
    pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
    pcl::SACSegmentation<pcl::PointXYZ> seg;  // 创建分割对象
    seg.setOptimizeCoefficients (true);       // 可选择配置，设置模型系数需要优化
    // 必要的配置，设置分割的模型类型，所用的随机参数估计方法，距离阀值，输入点云
    seg.setModelType (pcl::SACMODEL_PLANE);   //设置模型类型
    seg.setMethodType (pcl::SAC_RANSAC);      //设置随机采样一致性方法类型
    seg.setDistanceThreshold (5);             //设定距离阀值，距离阀值决定了点被认为是局内点是必须满足的条件
                                              //表示点到估计模型的距离最大值
    seg.setInputCloud (cloud);
    //引发分割实现，存储分割结果到点几何inliers及存储平面模型的系数coefficients
    seg.segment (*inliers, *coefficients);

    //创建点云提取对象，将处理后的点云提取出来
    pcl::ExtractIndices<pcl::PointXYZ> extract;
    extract.setInputCloud (cloud);
    extract.setIndices (inliers);
    extract.setNegative (true);
extract.filter (*cloud);

平面分割，分割出地面，使货车等物体悬空，这样就方便后面提取聚类的操作。这里有三个必要的参数设置，一个是设置模型类型setModelType (pcl::SACMODEL_PLANE);这里设置的使平面类型，还有个是setMethodType (pcl::SAC_RANSAC)设置随机采样一致性方法类型，这里选择的是Ransac，它是基于Ransac的来做平面拟合的。具体原理是通过改变平面模型（ax+by+cz+d=0）的参数：a, b, c和d，找出哪一组的参数能使得这个模型一定程度上拟合最多的点。这个程度就是由第三个方法来设置的setDistanceThreshold (1)即distance threshold这个参数来设置。那找到这组参数后，这些能够被拟合的点就是平面的点。distance threshold就是平面模型分割的阈值，可以等同于平面厚度阈值，如果阈值设置过大那么平面上的其他物体也将被分割。

pcl::StatisticalOutlierRemovalpcl::PointXYZ sta; //创建滤波器对象
sta.setInputCloud (cloud); //设置待滤波的点云
sta.setMeanK (2000); //设置在进行统计时考虑查询点临近点数
sta.setStddevMulThresh (0.05); //设置判断是否为离群点的阀值,根据原理来说，阈值越小过滤掉的点就越多
sta.filter (*cloud); //存储
统计滤波去除离散点，在上篇总结中将去除离散点的操作放在了第二步，后来想想这是不对的，因为分离地面之后地面上的物体悬空，这时候将会有很多无用离散点，所以在分离地面之后也要使用一下统计滤波，那第二步使用的统计滤波就显得多余了。统计滤波的原理是计算每个点到其最近的k个点平均距离（假设得到的结果是一个高斯分布，其形状是由均值和标准差决定），那么平均距离在标准范围之外的点，可以被定义为离群点并从数据中去除。这里有两个重要的参数临近点数k和距离阈值d，阈值单位为m，设置方法分别为setMeanK (2000)、setStddevMulThresh (0.05)。

// 建立kd-tree对象用来搜索
    pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree(new pcl::search::KdTree<pcl::PointXYZ>);
    kdtree->setInputCloud(cloud);

    // Euclidean 聚类对象.
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> clustering;
    // 设置聚类的最小值 4m
    clustering.setClusterTolerance(3);
    // 设置聚类的小点数和最大点云数
    clustering.setMinClusterSize(5000);
    //clustering.setMaxClusterSize(25000);
    //设置搜索方式
    clustering.setSearchMethod(kdtree);
    clustering.setInputCloud(cloud);
    std::vector<pcl::PointIndices> clusters;
clustering.extract(clusters);

目前地面上的物体目前已经悬空了，现在就使用欧几里得聚类提取将物体提取出来。这个算法通俗来讲就是先从点云中找出一个点p0，然后寻找p0周围最近的n个点，如果这n个点与p0之间的距离小于预先设定的阈值，那么就把这个点取出，依次重复。setClusterTolerance(3);setMinClusterSize(5000);setMaxClusterSize(25000)；
这三个方法分别设置阈值、聚类的最小点数和聚类的最大点数，其中阈值是指搜索半径，对于搜索半径我的理解是一个聚类的最小半径，不能太大也不能太小，太大了就会将多个聚类变成一个当做聚类，太小的就会将一个聚类分割为多个聚类，这里设置的是3m，差不多应该就是半挂车的宽度（不知道理解是否正确，实验结果是太小了就会将货车分割为多个聚类，太大了就会把旁边的设备包含到一个聚类）。
在这里其实还要引入一个知识点，那就是kd—tree。Kd-tree又称为k维树，是一种数据结构，本质上就是一种带有约束条件的二分查找树，使用kd-tree的目的其实就是将点云中的离散点建立拓扑关系，实现基于邻域关系的快速查找，加快欧几里得聚类提取的搜索速度。

//处理后保存的聚类是已降序排序的，所以第一个聚类就是我们想要的聚类
int j = 0;
for (std::vectorpcl::PointIndices::const_iterator i = clusters.begin(); i != clusters.end();++i)
{
//添加所有的点云到一个新的点云中
pcl::PointCloudpcl::PointXYZ::Ptr cluster(new pcl::PointCloudpcl::PointXYZ);
for (std::vector::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)
cluster->points.push_back(cloud->points[*point]);
cluster->width = cluster->points.size();
cluster->height = 1;
cluster->is_dense = true;
j++;
qDebug()<<“编号”<<j<<“聚类点数量：”<points.size();
}
提取聚类之后将点云索引结果存到了clusters 中，想要从中提取点云聚类就需要迭代clusters，这里目的是在控制台打印分割出的聚类结果。

//获取最大聚类将所有点添加到新点云中
std::vectorpcl::PointIndices::const_iterator i = clusters.begin();
pcl::PointCloudpcl::PointXYZ::Ptr cluster(new pcl::PointCloudpcl::PointXYZ);
for (std::vector::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)
cluster->points.push_back(cloud->points[*point]);
cluster->width = cluster->points.size();
cluster->height = 1;
cluster->is_dense = true;
我们要找的其实就是最大得那个聚类，因为火车就是最大的，离散点最多的，并且索引结果也是降序排序的，所以第一个就是我们想要的结果。

//处理后点云显示
pcl::visualization::CloudViewer viewer("PCL滤波");
viewer.showCloud(cluster);
while (!viewer.wasStopped()){

}
点云显示，这里就不做解释了。