当前位置： 首页 > article >正文

PCL 3D-SIFT关键点检测（曲率不变特征约束

article 2024/10/10 9:51:21

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

        3D-SIFT（Scale-Invariant Feature Transform）关键点检测是用于点云分析的一种有效方法，具有尺度不变性和旋转不变性。在处理复杂场景和物体识别时，通过对点云的多尺度空间构建和局部特征的提取，可以提取稳定的特征点。本示例结合了曲率不变的特性，通过对点云的法向量进行计算，提取出更具几何稳定性的SIFT关键点。

1.1原理

        SIFT算法的核心思想是通过尺度空间中的特征检测来找到图像中的稳定特征点。三维SIFT通过计算点云的法向量和曲率来替代二维图像的灰度值，并在不同的尺度下提取稳定的特征点。

        对于3D-SIFT，最小尺度为σ0，尺度空间的特征表示为高斯函数，曲率不变特征约束的检测可以通过以下步骤来实现：

1.2实现步骤

  1. 读取点云数据：加载3D点云文件。
  2. 法向量和曲率计算：利用Kd-tree搜索每个点的邻域，计算法向量。
  3. SIFT关键点检测：结合法向量进行多尺度关键点检测，确保提取的特征点具有几何稳定性。
  4. 可视化结果：显示原始点云和提取的SIFT关键点。

1.3应用场景

  1. 三维物体识别：在不同的尺度下提取稳定的特征点，能够应用于物体识别和特征匹配。
  2. 点云配准：通过关键点的匹配，能够实现点云的精确对齐和配准。
  3. 多尺度分析：在不同的分辨率下对点云进行多尺度特征分析，适用于复杂场景的检测。

二、代码实现

2.1关键函数

2.1.1 法向量计算

// 计算每个点的法向量和曲率
void computeNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointNormal>::Ptr cloud_normals)
{
    pcl::NormalEstimation<pcl::PointXYZ, pcl::PointNormal> ne;  // 创建法向量估计对象
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree_n(new pcl::search::KdTree<pcl::PointXYZ>());  // 初始化KD-tree用于邻域搜索
    ne.setInputCloud(cloud);  // 设置输入点云
    ne.setSearchMethod(tree_n);  // 设置搜索方法
    ne.setRadiusSearch(0.01);  // 设置搜索半径
    ne.compute(*cloud_normals);  // 计算法向量并存储结果到cloud_normals中

    // 将原始的XYZ信息与法向量结果合并
    for (std::size_t i = 0; i < cloud_normals->size(); ++i)
    {
        (*cloud_normals)[i].x = (*cloud)[i].x;
        (*cloud_normals)[i].y = (*cloud)[i].y;
        (*cloud_normals)[i].z = (*cloud)[i].z;
    }
}

 2.1.2 SIFT关键点检测

// 使用法向量进行SIFT关键点提取
void extractSIFTKeypoints(pcl::PointCloud<pcl::PointNormal>::Ptr cloud_normals, pcl::PointCloud<pcl::PointWithScale>::Ptr keypoints)
{
    const float min_scale = 0.001f;     // 设置尺度空间中最小尺度的标准偏差
    const int n_octaves = 3;            // 设置尺度空间的层数
    const int n_scales_per_octave = 4;  // 设置每个层次中的尺度数量
    const float min_contrast = 0.0001f; // 设置关键点检测的最小对比度

    pcl::SIFTKeypoint<pcl::PointNormal, pcl::PointWithScale> sift;  // 创建SIFT关键点检测对象
    pcl::search::KdTree<pcl::PointNormal>::Ptr tree(new pcl::search::KdTree<pcl::PointNormal>());  // 初始化KD-tree用于邻域搜索
    sift.setSearchMethod(tree);  // 设置搜索方法
    sift.setScales(min_scale, n_octaves, n_scales_per_octave);  // 设置尺度空间参数
    sift.setMinimumContrast(min_contrast);  // 设置最小对比度
    sift.setInputCloud(cloud_normals);  // 设置输入的带有法向量的点云
    sift.compute(*keypoints);  // 进行SIFT关键点检测，并将结果存储在keypoints中
}

2.1.3 可视化函数

// 可视化原始点云和提取的SIFT关键点
void visualizeSIFTKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("SIFT Keypoints Viewer"));

    int v1(0), v2(0);
    viewer->createViewPort(0, 0.0, 0.5, 1.0, v1);  // 创建第一个视口用于显示原始点云
    viewer->setBackgroundColor(1.0, 1.0, 1.0, v1);  // 设置第一个视口的背景为白色
    viewer->addText("Original Point Cloud", 10, 10, "v1_text", v1);  // 添加标签

    viewer->createViewPort(0.5, 0.0, 1.0, 1.0, v2);  // 创建第二个视口用于显示SIFT关键点
    viewer->setBackgroundColor(0.98, 0.98, 0.98, v2);  // 设置第二个视口的背景为灰色
    viewer->addText("SIFT Keypoints", 10, 10, "v2_text", v2);  // 添加标签

    // 设置原始点云的颜色为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> original_color(cloud, 255, 0, 0);
    viewer->addPointCloud(cloud, original_color, "original_cloud", v1);

    // 设置关键点的颜色为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> keypoints_color(keypoints, 0, 255, 0);
    viewer->addPointCloud(keypoints, keypoints_color, "keypoints_cloud", v2);

    // 设置关键点的大小
    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);  // 更新视口
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));  // 控制更新频率
    }
}

2.2完整代码

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/keypoints/sift_keypoint.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

using namespace std;

void computeNormals(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointNormal>::Ptr cloud_normals)
{
    pcl::NormalEstimation<pcl::PointXYZ, pcl::PointNormal> ne;
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree_n(new pcl::search::KdTree<pcl::PointXYZ>());
    ne.setInputCloud(cloud);
    ne.setSearchMethod(tree_n);
    ne.setRadiusSearch(0.01);  // 设置邻域半径
    ne.compute(*cloud_normals); // 计算法向量

    // 将原始的XYZ信息合并到法向量结果中
    for (std::size_t i = 0; i < cloud_normals->size(); ++i)
    {
        (*cloud_normals)[i].x = (*cloud)[i].x;
        (*cloud_normals)[i].y = (*cloud)[i].y;
        (*cloud_normals)[i].z = (*cloud)[i].z;
    }
}

void extractSIFTKeypoints(pcl::PointCloud<pcl::PointNormal>::Ptr cloud_normals, pcl::PointCloud<pcl::PointWithScale>::Ptr keypoints)
{
    const float min_scale = 0.001f;     // 最小尺度
    const int n_octaves = 3;            // 尺度空间层数
    const int n_scales_per_octave = 4;  // 每个层次中的尺度数量
    const float min_contrast = 0.0001f; // 最小对比度

    pcl::SIFTKeypoint<pcl::PointNormal, pcl::PointWithScale> sift;
    pcl::search::KdTree<pcl::PointNormal>::Ptr tree(new pcl::search::KdTree<pcl::PointNormal>());
    sift.setSearchMethod(tree);
    sift.setScales(min_scale, n_octaves, n_scales_per_octave);
    sift.setMinimumContrast(min_contrast);
    sift.setInputCloud(cloud_normals);
    sift.compute(*keypoints);
}

void visualizeSIFTKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints)
{
    boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("SIFT 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("SIFT Keypoints", 10, 10, "v2_text", v2);

    // 原始点云显示为红色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> original_color(cloud, 255, 0, 0);
    viewer->addPointCloud(cloud, original_color, "original_cloud", v1);

    // 关键点显示为绿色
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> keypoints_color(keypoints, 0, 255, 0);
    viewer->addPointCloud(keypoints, keypoints_color, "keypoints_cloud", v2);

    // 设置点大小
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "keypoints_cloud");

    // 添加坐标系
    viewer->addCoordinateSystem(0.1);

    while (!viewer->wasStopped())
    {
        viewer->spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
}

int main(int argc, char** argv)
{
    string filename = "bunny.pcd";
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_xyz(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::io::loadPCDFile(filename, *cloud_xyz);

    pcl::PointCloud<pcl::PointNormal>::Ptr cloud_normals(new pcl::PointCloud<pcl::PointNormal>);
    computeNormals(cloud_xyz, cloud_normals);

    pcl::PointCloud<pcl::PointWithScale>::Ptr sift_keypoints(new pcl::PointCloud<pcl::PointWithScale>);
    extractSIFTKeypoints(cloud_normals, sift_keypoints);

    pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints_xyz(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::copyPointCloud(*sift_keypoints, *keypoints_xyz);

    visualizeSIFTKeypoints(cloud_xyz, keypoints_xyz);

    return 0;
}

三、实现效果


http://www.kler.cn/news/341065.html

相关文章：

  • 系统架构设计师教程 第12章 12.4 信息系统架构案例分析 笔记
  • 激光增材制造新突破：精细调控NiTi合金弹热效应，实现制冷定制
  • 自动化测试selenium篇（三）
  • PMP--冲刺题--解题--1-10
  • 中阳：引领未来投资的创新金融平台
  • MySQL 篇-深入了解存储引擎、索引（InnoDB 索引结构 B+Tree、索引使用规则）
  • golang接口详解
  • x-cmd pkg | zellij - 终端复用器，能作为 tmux 的替代品
  • LVGL仪表盘逆时针
  • IDEA之手动添加作者信息
  • 『网络游戏』服务器使用PESorket【13】
  • 使用HttpsClient来idea发送请求
  • Android targetSdkVersion 升级为34 问题处理
  • 减少重复的请求之promise缓存池（闭包版） —— 缓存promise，多次promise等待并返回第一个promise的结果
  • 75.【C语言】文件操作(2)
  • 计算机毕业设计—基于python技术的机器学习、深度学习毕业设计选题的一些思考及参考
  • Pikachu-File Inclusion-远程文件包含
  • redis——哨兵机制
  • Vortex GPGPU的github流程跑通与功能模块波形探索（二）
  • 环形缓冲区（Ring Buffer）在STM32 HAL库中的应用：防止按键丢失