Einführung in die PCL-Grundlagen

PCL基础_PCL<Punktwolkenbibliothek)

• Eine umfangreiche, plattformübergreifende Open-Source-C++-Programmierbibliothek, die auf der Grundlage punktwolkenbezogener Forschung erstellt wurde
• Beinhaltet Punktwolkenerfassung, Filterung, Segmentierung, Registrierung, Abruf, Merkmalsextraktion, Erkennung, Verfolgung, Oberflächenrekonstruktion, Visualisierung usw.
• Es unterstützt mehrere Betriebssysteme und kann auf Windows, Linux, Android, Mac 05 X und einigen eingebetteten Echtzeitsystemen ausgeführt werden.
• OpenCV ist die Kristallisation der 2D-Informationserfassung und -verarbeitung, daher hat PCL den gleichen Status bei der 3D-Informationserfassung und -verarbeitung. PCL ist die BSD-Power-Holding-Methode, die kostenlos für kommerzielle und akademische Anwendungen verwendet werden kann.

Struktur und Inhalt von PCL

• Das Architekturdiagramm von PCL ist in der Abbildung dargestellt. Für die 3D-Punktwolkenverarbeitung ist PCL eine modulare moderne C++-Vorlagenbibliothek. Es basiert auf den folgenden Bibliotheken von Drittanbietern: Boost, Eigen, FLANN, VTK, CUDA, OpenNI, QHull, um punktwolkenbezogene Erfassung, Filterung, Segmentierung, Registrierung, Abruf, Merkmalsextraktion, Erkennung, Verfolgung und Oberflächenrekonstruktion zu erreichen , Visualisierung usw.

• Alle Module und Algorithmen in PCL übertragen Daten über gemeinsam genutzte Boost-Zeiger, wodurch die Notwendigkeit vermieden wird, mehrere Kopien von Daten zu erstellen, die bereits im System vorhanden sind.

• Seit Version 0.6 wurde PCL auf Windows-, Mac OS- und Linux-Systeme verlagert und kommt auch in Android-Systemen zum Einsatz, was die Portierung und Veröffentlichung von PCL-Anwendungen für mehrere Parteien vereinfacht.

• Aus algorithmischer Sicht bezieht sich PCL auf einen 3D-Verarbeitungsalgorithmus, der eine Vielzahl von Vorgängen an Punktwolkendaten umfasst, darunter Filterung, Merkmalsschätzung, Oberflächenrekonstruktion, Modellanpassung und -segmentierung sowie Standortsuche.

• Ein grundlegendes Schnittstellenprogramm zur Handhabung von Pipelines in PCL lautet wie folgt:

1. 1. Erstellen Sie Verarbeitungsobjekte (z. B. Filterung, Merkmalsschätzung, Segmentierung usw.).
   2. Verwenden Sie set l npu t C lo ud, um das Modul durch Eingabe von Punktwolkendaten zu verarbeiten.
   3. Legen Sie algorithmusbezogene Parameter fest
   4. Rufen Sie „compute“ (oder „filter“, „split“ usw.) auf, um die Ausgabe zu erhalten.

2. 

01 gemeinsam

pcl_common enthält hauptsächlich die in der PCL-Bibliothek häufig verwendeten allgemeinen Datenstrukturen und -methoden, z. B. die PointCloud-Klasse und viele Typen, die zur Darstellung von Punkten, Oberflächen, Normalenvektoren, Merkmalsbeschreibungen usw. verwendet werden und zur Berechnung von Abstand, Mittelwert und Kovarianz sowie Winkel verwendet werden Transformations- und Geometrietransformationsfunktionen.

common模块中的头文件

angles.h  定义了标准的C接口的角度计算函数

centriod.h   定义了中心点的估算以及协方差矩阵的计算

commo.h   标准的C以及C++类，是其他common 函数的父类

distance.h   定义标准的C接口用于计算距离

file_io.h   定义了一些文件帮助写或者读方面的功能。

random.h   定义一些随机点云生成的函数

geometry.h   定义一些基本的几何功能的函数

intersection.h   定义线与线相交的函数

norm.h   定义了标准的C方法计算矩阵的正则化

time.h  定义了时间计算的函数

Point_types.h  定义了所有PCL实现的点云的数据结构的类型

common模块中的基本函数

pcl::rad2deg(fllat alpha) 
从弧度到角度

pcl::deg2rad(float aipha)
从角度到弧度

pcl::normAngle(float alpha)
正则化角度在（-PI，PI）之间

pcl::compute3DCentroid (const pcl::PointCloud< PointT > &cloud, Eigen::Matrix< Scalar, 4, 1 > &centroid)
计算给定一群点的3D中心点，并且返回一个三维向量

pcl::computeCovarianceMatrix (const pcl::PointCloud< PointT > &cloud, const Eigen::Matrix< Scalar, 4, 1 > &centroid, Eigen::Matrix< Scalar, 3, 3 > &covariance_matrix)
计算给定的三维点云的协方差矩阵。

pcl::computeMeanAndCovarianceMatrix (const pcl::PointCloud< PointT > &cloud, Eigen::Matrix< Scalar, 3, 3 > &covariance_matrix, Eigen::Matrix< Scalar, 4, 1 > &centroid
计算正则化的3*3的协方差矩阵以及给定点云数据的中心点

pcl::demeanPointCloud (const pcl::PointCloud< PointT > &cloud_in, const Eigen::Matrix< Scalar, 4, 1 > &centroid, pcl::PointCloud< PointT > &cloud_out)

pcl::computeNDCentroid (const pcl::PointCloud< PointT > &cloud, Eigen::Matrix< Scalar, Eigen::Dynamic, 1 > &centroid)
利用一组点的指数对其进行一般的、通用的nD中心估计。

pcl::getAngle3D (const Eigen::Vector4f &v1, const Eigen::Vector4f &v2, const bool in_degree=false)
计算两个向量之间的角度

pcl::getMeanStd (const std::vector< float > &values, double &mean, double &stddev)
同时计算给定点云数据的均值和标准方差

pcl::getPointsInBox (const pcl::PointCloud< PointT > &cloud, Eigen::Vector4f &min_pt, Eigen::Vector4f &max_pt, std::vector< int > &indices)
在给定边界的情况下，获取一组位于框中的点

pcl::getMaxDistance (const pcl::PointCloud< PointT > &cloud, const Eigen::Vector4f &pivot_pt, Eigen::Vector4f &max_pt)
给定点云数据中点与点之间的最大距离的值

pcl::getMinMax3D (const pcl::PointCloud< PointT > &cloud, PointT &min_pt, PointT &max_pt)
获取给定点云中的在XYZ轴上的最大和最小值

pcl::getCircumcircleRadius (const PointT &pa, const PointT &pb, const PointT &pc)
计算由三个点pa、pb和pc构成的三角形的外接圆半径。

pcl::getMinMax (const PointT &histogram, int len, float &min_p, float &max_p)
获取点直方图上的最小值和最大值。

pcl::calculatePolygonArea (const pcl::PointCloud< PointT > &polygon)
根据给定的多边形的点云计算多边形的面积

pcl::copyPoint (const PointInT &point_in, PointOutT &point_out)
从Point_in把字段数据赋值到Point_out

pcl::lineToLineSegment (const Eigen::VectorXf &line_a, const Eigen::VectorXf &line_b, Eigen::Vector4f &pt1_seg, Eigen::Vector4f &pt2_seg)
获取两条三维直线之间的最短三维线段

pcl::sqrPointToLineDistance (const Eigen::Vector4f &pt, const Eigen::Vector4f &line_pt, const Eigen::Vector4f &line_dir)
获取点到线的平方距离（由点和方向表示）

pcl::getMaxSegment (const pcl::PointCloud< PointT > &cloud, PointT &pmin, PointT &pmax)
在给定的一组点中获得最大分段，并返回最小和最大点。

pcl::eigen22 (const Matrix &mat, typename Matrix::Scalar &eigenvalue, Vector &eigenvector)
确定最小特征值及其对应的特征向量

pcl::computeCorrespondingEigenVector (const Matrix &mat, const typename Matrix::Scalar &eigenvalue, Vector &eigenvector)
确定对称半正定输入矩阵给定特征值对应的特征向量

pcl::eigen33 (const Matrix &mat, typename Matrix::Scalar &eigenvalue, Vector &eigenvector)
确定对称半正定输入矩阵最小特征值的特征向量和特征值

pcl::invert2x2 (const Matrix &matrix, Matrix &inverse)
计算2x2矩阵的逆。

pcl::invert3x3SymMatrix (const Matrix &matrix, Matrix &inverse)
计算3x3对称矩阵的逆。

pcl::determinant3x3Matrix (const Matrix &matrix)
计算3x3矩阵的行列式

pcl::getTransFromUnitVectorsZY (const Eigen::Vector3f &z_axis, const Eigen::Vector3f &y_direction, Eigen::Affine3f &transformation)
获得唯一 的3D旋转，将Z轴旋转成（0，0，1）Y轴旋转成（0,1,0）并且两个轴是正交的。

pcl::getTransformationFromTwoUnitVectorsAndOrigin (const Eigen::Vector3f &y_direction, const Eigen::Vector3f &z_axis, const Eigen::Vector3f &origin, Eigen::Affine3f &transformation)
得到将origin转化为（0，0，0）的变换，并将Z轴旋转成（0，0，1）和Y方向（0，1，0）

pcl::getEulerAngles (const Eigen::Transform< Scalar, 3, Eigen::Affine > &t, Scalar &roll, Scalar &pitch, Scalar &yaw)
从给定的变换矩阵中提取欧拉角

pcl::getTranslationAndEulerAngles (const Eigen::Transform< Scalar, 3, Eigen::Affine > &t, Scalar &x, Scalar &y, Scalar &z, Scalar &roll, Scalar &pitch, Scalar &yaw)
给定的转换中，提取XYZ以及欧拉角

pcl::getTransformation (float x, float y, float z, float roll, float pitch, float yaw)
从给定的平移和欧拉角创建转换矩阵

pcl::saveBinary (const Eigen::MatrixBase< Derived > &matrix, std::ostream &file)
保存或者写矩阵到一个输出流中

pcl::loadBinary (Eigen::MatrixBase< Derived > const &matrix, std::istream &file)
从输入流中读取矩阵

pcl::lineWithLineIntersection (const Eigen::VectorXf &line_a, const Eigen::VectorXf &line_b, Eigen::Vector4f &point, double sqr_eps=1e-4)
获取空间中两条三维直线作为三维点的交点。

pcl::getFieldIndex (const pcl::PCLPointCloud2 &cloud, const std::string &field_name)
获取指定字段的索引（即维度/通道）

pcl::getFieldsList (const pcl::PointCloud< PointT > &cloud)
获取给定点云中所有可用字段的列表

pcl::getFieldSize (const int datatype)
获取特定字段数据类型的大小（字节）。

pcl::concatenatePointCloud (const pcl::PCLPointCloud2 &cloud1, const pcl::PCLPointCloud2 &cloud2, pcl::PCLPointCloud2 &cloud_out)

连接 pcl::PCLPointCloud2类型的点云字段