29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）

0 引言

最近项目中用到了基于PCL开发的基于平面的点云和CAD模型的配准算法，点云平面提取采用的算法如下。

1 基于PCL的点云平面分割拟合算法

 2 参数及其意义介绍

（1）点云下采样

　　1. 参数：leafsize

　　2. 意义：Voxel Grid的leafsize参数，物理意义是下采样网格的大小，直接影响处理后点云密集程度，并对后期各种算法的处理速度产生直接影响。

　　3. 值越大，点云密度越低，处理速度越快；值越小，点云密度越高，处理速度越慢。通常保持这个值，使得其他的与点数有关的参数可以比较稳定而不作大的改动。

　　4. 对应的代码：

PointCloudPtr cloud(new pointCloud); ParameterReader pd(ParameterFilePath); double leafsize = stod(pd.getData("leafsize")); pcl::VoxelGrid<PointT> sor; sor.setInputCloud(CRTP::cloud_org); sor.setLeafSize(leafsize, leafsize, leafsize); sor.filter(*cloud);

（2）点云法线估计

　　1. 参数：Ksearch

　　2. 意义：估计法线时邻域内点的个数

　　3. 值越小，对点云的轮廓描述越精细；值越大，对点云的轮廓描述越粗糙。

　　4. 对应的代码：

ParameterReader pd(ParameterFilePath); pcl::NormalEstimation<PointT, pcl::Normal> ne; pcl::PointCloud<pcl::Normal>::Ptr mynormals(new pcl::PointCloud<pcl::Normal>); pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>); tree->setInputCloud(cloud_filter); ne.setInputCloud(cloud_filter); ne.setSearchMethod(tree); ne.setKSearch(stoi(pd.getData("Ksearch"))); ne.compute(*mynormals);

 （3）RegionGrowing生长聚类算法对可能是平面的点云进行分割

　算法步骤：　　

　　1. 算法首先计算所有点的曲率值，并将曲率最小的点作为种子（seeds），开始进行生长 

　　2. 以法线夹角阈值（Angle threshold）作为判断标准，对邻域内的点进行遍历判断 ，符合条件则加入当前点集，不符合则reject，并加入reject点集

　　3. 以曲率阈值（Curvature threshold）作为判断标准，将邻域内符合条件的点加入到种子队列中 

　　4. 移除当前种子 

　　5. 如果当前种子队列空了，表明当前子区域分割停止，遍历其他种子区域，直到停止整个点云均被遍历完为止生长

　参数分析： 

　　1. 参数：MinClusterSize（最小聚类点云数目），MaxClusterSize（最大聚类点云数据）

　　NumberOfNeighbours（寻找种子seed点最近的点判断是否为同类），SmoothnessThreshold（聚类的法线夹角阈值）

       CurvatureThreshold（聚类的曲率阈值，可以直观地将圆柱面等区别开）

　　2. 对应的代码

ParameterReader pd(ParameterFilePath); pcl::RegionGrowing<PointT, pcl::Normal> reg; pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>); reg.setMinClusterSize(stoi(pd.getData("MinClusterSize"))); reg.setMaxClusterSize(stoi(pd.getData("MaxClusterSize"))); reg.setSearchMethod(tree); reg.setNumberOfNeighbours(stoi(pd.getData("NumberOfNeighbours"))); reg.setInputCloud(CloudFilter); reg.setInputNormals(Normals); reg.setSmoothnessThreshold(stod(pd.getData("SmoothnessThreshold")) / 180.0 * M_PI); reg.setCurvatureThreshold(stod(pd.getData("CurvatureThreshold"))); std::vector <pcl::PointIndices> clusters; reg.extract(clusters); /* wk 添加： 可视化调试 */ pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_segmented(new pcl::PointCloud<pcl::PointXYZRGB>()); cloud_segmented = reg.getColoredCloud(); pcl::visualization::CloudViewer viewer("Cluster viewer"); viewer.showCloud(cloud_segmented); while (!viewer.wasStopped()) { } /* wk 添加： 可视化调试 */

（4）SACSegmentation 利用RANSAC算法对平面点云进行分割并拟合

　　1. 参数：MaxIterations（最大迭代次数）,threshold（距离阈值，判断点是否为当前拟合平面的内点，理论上该值越大平面越粗糙）

　　2. 代码

/*RanSAC拟合平面，并将平面内点分割出来*/pcl::SACSegmentation<PointT> seg; pcl::PointIndices::Ptr inliers(new pcl::PointIndices); pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients); seg.setOptimizeCoefficients(true); seg.setModelType(pcl::SACMODEL_PLANE); seg.setMethodType(pcl::SAC_RANSAC); seg.setMaxIterations(stoi(pd.getData("Maxci"))); seg.setDistanceThreshold(stod(pd.getData("threshold"))); seg.setInputCloud(cloud); seg.segment(*inliers, *coefficients);// 分割内点，另存 pcl::ExtractIndices<PointT> extract; PointCloudPtr cloud_plane(new pointCloud); extract.setInputCloud(cloud); extract.setIndices(inliers); extract.setNegative(false); extract.filter(*cloud_plane);

  3 部分效果图展示

（1）原图

 

（2）RegionGrowing分割效果图

 4 算法的局限性

　　区域生长算法分割平面步骤及问题分析：针对分辨率低、扫描质量比较差的点云，如图所示，算法无法将破碎、扭曲的大块区域识别为平面区域，只能将这部分点判断为非平面点集舍弃掉。

　　　　　　　　

　　区域生长算法通常在分割细节处比较平滑的平面点云时，具有相当的优势。但是在处理“波纹”状点云时，就没什么优势了。而实际扫描点云的细节部位很多时候是如上图所示的，为了将曲率较小的曲面区别开，而调低平滑及曲率阈值时，这类从大视角上看明显是平面的点云会被rejected，从而导致分割失效。如下图所示，RegionGrowing更适合处理接近理想点云的这类点云，而不适合处理波动起伏状的、扫描精度较差的点云。

　　　　　　　　　

 

转载于:https://www.cnblogs.com/ghjnwk/p/10178975.html

总结

以上是生活随笔为你收集整理的29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。