PCL 点云法线计算（Feature_Normal3d）

者山海

已于 2024-09-20 09:36:56 修改

阅读量3.1k

点赞数 71

分类专栏： PCL 文章标签： 3d 算法机器学习计算机视觉人工智能数据结构

于 2024-08-26 12:07:37 首次发布

本文链接：https://blog.csdn.net/xhm01291212/article/details/141558524

版权

PCL 专栏收录该内容

96 篇文章

订阅专栏

PCL专栏目录及须知-CSDN博客

注意：本方法为PCL计算点云法线最常用的方法。

PCL中共三种法线计算方法，其余两种不常用的法线计算方法如下：

（1）积分图法线估计

（2）密集点云表面法线估计

1.原理

遍历所有点云点，获取每个点云点的邻近点，得到该点云点邻域范围内的点云，对该区域点云拟合成为平面，对该平面计算法向量，作为该点云点的法向量。

（1）领域搜索：遍历点云点，对每个点云点P ，进行邻域搜索，获得其邻域范围内的点云点集D。

（2）拟合平面：对每个点云点集D，进行最小二乘拟合，得到拟合出的平面。

（3）计算法向量：计算这块点云的协方差矩阵，进行PCD主成分分析，得到平面的法向量n（主要特征向量）。

（4）确定法向量朝向：设定点云中某个点的法向量朝向为v。

举例：如果要计算点云法向量n2，步骤如下。

1）假设点云稠密且处处平滑，那么对于相邻的两个法向量n1、n2应该接近于平行。

2）假设我们已经通过之前的点云法向量得到法向量n1，那么由相邻两法向量平行可知：n1 ·n2（n1同n2点乘）点乘得到的夹角应该小于180°，如果夹角>180°，那么说明n2的法向量方向错误，翻转n2的法向量方向。

3）通过已确定的某个点的法向量朝向v，遍历所有点云点，依次以上述步骤得到所有点云点的法向量方向。

如下图：

取下图中的两个箭头向量n1、n2，计算二者点乘。

1）如果二者点乘结果<180°，那说明二者都在平面的一侧，不用翻转法向量。

2）如果二者点乘结果>180°，那说明n1和n2在平面的两侧，需要翻转法向量，将n1、n2变成一侧。

（5）遍历所有点云点，得到最终的法向量结果。

2.使用场景

非常常用，PCL中很多计算的前置步骤，都要用到法向量。

本方法是计算法向量时最常用的方法，可用于有序点云和无序点云。但因要执行KD树搜索，所以计算速度会慢一些。

3.注意事项

注意PCL中几种计算法向量的区别。

4.关键函数

（1）法向量邻域搜索可用K邻域搜索和半径搜索两种。

setKSearch()

setRadiusSearch()

（2）计算点云中每个点的法向量和曲率

computePointNormal (const pcl::PointCloud<PointInT> &cloud, const pcl::Indices &indices,
                          Eigen::Vector4f &plane_parameters, float &curvature)

5.代码

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <pcl/features/normal_3d_omp.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>

int main()
{
	/****************计算点云法向量********************/
	// 原始点云
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::io::loadPCDFile("D:/code/csdn/data/bunny.pcd", *cloud);							// 加载原始点云数据
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);

	// 计算点云法向量
	pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;										// OMP加速
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());		
	n.setNumberOfThreads(10);																	// 设置openMP的线程数
	n.setInputCloud(cloud);
	n.setSearchMethod(tree);																	// 设置KD树用于邻近搜索
	n.setKSearch(10);																			// k邻域搜索的点云点个数
	n.compute(*normals);

	/****************展示********************/
	boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer(""));
	viewer->setBackgroundColor(0, 0, 0);
	viewer->addPointCloud<pcl::PointXYZ>(cloud, pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>(cloud, 0, 225, 0), "sample cloud");									// 添加点云
	viewer->addPointCloudNormals<pcl::PointXYZ, pcl::Normal>(cloud, normals, 10, 0.01, "normals");																					// 添加点云法向量
	while (!viewer->wasStopped())
	{
		viewer->spinOnce(100);
		boost::this_thread::sleep(boost::posix_time::microseconds(100000));
	}

	return 0;
}