PCL_common模块api代码解析

上周点云公众号开启了学习模式，由博主分配任务，半个月甚至一个月参与学习小伙伴的反馈给群主，并在微信交流群中进行学术交流，加强大家的阅读文献能力，并提高公众号的分享效果。在此期待更多的同学能参与进来！（目前已经有成员反馈，下周开始会将分享整理出来，定期分享，并将文档上传至github组群，供大家下载查看，并且有问题可以在github的issues中提问，大家可以相互提问并解答）

pcl_common库包含大多数PCL库使用的公共数据结构和方法。核心数据结构包括PointCloud类和许多用于表示点、表面法线、RGB颜色值、特征描述符等的点类型。它还包含许多用于计算距离/范数、均值和协方差、角度转换、几何变换，等等。这个模块是不依赖其他模块的，所以是可以单独编译成功，单独编译出来可利用其中的数据结构自行开发，当然想单独提取出来编译时需要自行修改cmakeLists的，这里就不再赘述。

那么我们就按顺序来解释其中每个函数的作用，有必要的话，我会解释其理论并结合代码实践。

以下将解释在PCL_common的类下所有函数的意义并配合代码解释，但是由于对代码的排版限制，请读者见谅。读者也可以通过阅读原文查看博客内容。

class   pcl::BivariatePolynomialT< real >

这表示一个二元多项式，并为它提供了一些功能接口。

class   pcl::CentroidPoint< PointT >

一个泛型类，它计算给输入点云的质心。

这里我们用“重心”不仅表示3D点坐标的平均值，而且表示其他数据字段中的值的平均值。通用的computeNDCentroid()函数也实现了这种功能，但它是以“不智能”的方式实现的，也就是说，不管字段内数据的语义如何，它都只是对值进行平均。在某些情况下（例如，对于x，y，z，强度场），这种行为是合理的，但是在其他情况下（例如，rgb，rgba，rgbl(label带标签的)），这并不会导致有意义的结果。

这个类能够以一种“智能”的方式计算质心，即考虑字段内数据的含义。目前支持以下字段：

* XYZ (x, y, z)  计算每个字段的平均值

* Normal (normal_x, normal_y, normal_z)    对每个字段平均值，并将得到的归一化的向量。

* Curvature (curvature)    曲率的平均值

* RGB/RGBA (rgb or rgba)   rgba每个通道的平均值

* Intensity (intensity)       强度平均值

* Label (label)                  标签字段的平均值

向上滑动阅览

CentroidPoint<pcl::PointXYZ> centroid;

centroid.add (pcl::PointXYZ (1, 2, 3);

centroid.add (pcl::PointXYZ (5, 6, 7);

//这里是在centroid点集中加两个点

pcl::PointXYZ c1;

centroid.get (c1);   //直接使用get函数获取该点集的在每个字段的均值

// 得到的结果是: c1.x == 3, c1.y == 4, c1.z == 5

// 我们也可以申明一个不一样字段的点云来存储结果

pcl::PointXYZRGB c2;

centroid.get (c2);

// 其中x,y,z字段的结果还是: c2.x == 3, c2.y == 4, c2.z == 5,

// 但是 c2.rgb 是不被触及的

struct   pcl::NdConcatenateFunctor< PointInT, PointOutT >

点云点集相加的辅助函数

在这里要特别申明一下点云库中点云的相加有两种方式：

比如：cloud_c  = cloud_a;

cloud_c += cloud_b;

//把cloud_a和cloud_b连接一起创建cloud_c  后输出

输出如下图：

字段相加就会使用到该辅助函数，那么输出结果如下：

class  pcl::FeatureHistogram

用于计算一些浮点数均值和方差的直方图类型。

GlobalDescriptorsPtr global_descriptor;

global_descriptor = computeGlobalDescriptor (cloud, normals);

pcl::visualization::PCLHistogramVisualizer hist_vis;

hist_vis.addFeatureHistogram (*global_descriptor, 308, "Global descriptor");

class   pcl::GaussianKernel

高斯核类集合了所有使用高斯核计算、卷积、平滑、梯度计算图像的方法。

float* kernel_ptr_host;

int kernel_size = 5;

float sigma = 1.0;

kernel_ptr_host = probability_processor_->CreateGaussianKernel(sigma, kernel_size);

class  pcl::PCA< PointT >

主成分分析（PCA）类。

通过对输入点云集中心点的协方差矩阵进行奇异值分解，提取主成分。pca计算后的可用数据有输入数据的平均值、特征值（降序）和相应的特征向量。

其他方法允许在特征空间中进行投影、从特征空间重构以及用新的数据更新特征空间

(根据Matej Artec, Matjaz Jogan and Ales Leonardis: "Incremental PCA for On-line Visual Learning and Recognition”)。

pcl::PCA<pcl::PointXYZ> pca;

pcl::PointXYZ projected, reconstructed;

for(size_t i = 0; i < cloud.size(); i++)

{

pca.project (cloud[i], projected);

pca.reconstruct (projected, reconstructed);

}

class   pcl::PiecewiseLinearFunction

提供了返回有效分段线性函数的值的功能。

向上滑动阅览

inline float PiecewiseLinearFunction::getValue(float point) const

{

float vector_pos = factor_*point + offset_;

float floored_vector_pos = floor(vector_pos);

float interpolation_size = vector_pos-floored_vector_pos;

int data_point_before = (std::max)(0, (std::min)(int(data_points_.size())-2, int(lrint(floored_vector_pos))));

//cout << "Interpolating between "<<data_point_before<<" and "<<data_point_before+1<<" with value "

//<< interpolation_size<<" (vector size is "<<data_points_.size()<<").\n";

return data_points_[data_point_before]+interpolation_size*(data_points_[data_point_before+1]-data_points_[data_point_before]);

}

class  pcl::PolynomialCalculationsT< real >

为多项式提供了一些功能，如寻找根或逼近二元多项式。

PolynomialCalculationsT<RealForPolynomial> polynomial_calculations;

BivariatePolynomialT<RealForPolynomial> polynomial (2);

float interest_value2 = interest_image_[index2];

sample_points.push_back (Eigen::Vector3d (x2-keypoint_x_int, y2-keypoint_y_int, interest_value2));

polynomial_calculations.bivariatePolynomialApproximation (sample_points, 2, polynomial)

class  pcl::PosesFromMatches

基于点对应的关系计算他们之间的三维空间变换

class   pcl::StopWatch

一个用于计时的秒表。

向上滑动阅览

// Time measurements

pcl::StopWatch sw;

pcl::StopWatch sw_total;

double t_select     = 0.;

double t_build      = 0.;

double t_nn_search  = 0.;

double t_calc_trafo = 0.;

....

sw.reset ();

...

t_select = sw.getTime ();

sw.reset ();

kd_tree_->setInputCloud (cloud_model_selected);

t_build = sw.getTime ();

...

t_nn_search += sw.getTime ();

class   pcl::ScopeTime

测量作用在作用域中的时间。

要使用这个类，例如测量函数中所花费的时间，只需在函数的开头创建一个实例。例子：

{

pcl::ScopeTime t1 ("calculation");

// ... perform calculation here

}

class   pcl::EventFrequency

一个辅助类来测量某个事件的频率。

class   pcl::TimeTrigger

定时调用回调函数的计时器类。

class  pcl::TransformationFromCorrespondences

基于对应的3D点计算变换。

向上滑动阅览

pcl::TransformationFromCorrespondences transformation_from_correspondeces;

transformation_from_correspondeces.reset ();

transformation_from_correspondeces.add (corr1, point1);

transformation_from_correspondeces.add (corr2, point2);

transformation_from_correspondeces.add (corr3, point3);

transformation_from_correspondeces.add (corr4, point4);

transformation_from_correspondeces.add (corr5, point5);

transformation_from_correspondeces.add (corr6, point6);

transformation_from_correspondeces.add (corr7, point7);

transformation_from_correspondeces.add (corr8, point8);

++counter_for_added_pose_estimates;

PoseEstimate pose_estimate;

pose_estimate.transformation = transformation_from_correspondeces.getTransformation ();

pose_estimate.score = 0.5f * (correspondence1.distance + correspondence2.distance);

// TODO: base on the measured distance_errors?

pose_estimate.correspondence_indices.push_back (correspondence1_idx);

pose_estimate.correspondence_indices.push_back (correspondence2_idx);

pose_estimates.push_back (pose_estimate);

class  pcl::VectorAverage< real, dimension >

计算给定权重的一组向量的加权平均和协方差矩阵的类

向上滑动阅览

VectorAverage3f vector_average;

float max_dist_squared=max_dist*max_dist, max_dist_reciprocal=1.0f/max_dist;

bool still_in_range = true;

for (int radius=1;  still_in_range;  ++radius)

{

int x2=x-radius-1, y2=y-radius;  // Top left - 1

still_in_range = false;

for (int i=0; i<8*radius; ++i)

{

if (i<=2*radius) ++x2; else if (i<=4*radius) ++y2; else if (i<=6*radius) --x2; else --y2;

if (!isValid (x2, y2))

{

continue;

}

getPoint (x2, y2, neighbor);

float distance_squared = (neighbor-point).squaredNorm ();

if (distance_squared > max_dist_squared)

{

continue;

}

still_in_range = true;

float distance = std::sqrt (distance_squared),

weight = distance*max_dist_reciprocal;

vector_average.add (neighbor, weight);

}

}

struct  pcl::Correspondence

对应表示两个实体（例如，点、描述子等）之间的匹配。通过源点云与目标点云之间的距离来表示。

向上滑动阅览

//  Find Model-Scene Correspondences with KdTree

pcl::CorrespondencesPtr model_scene_corrs (new pcl::Correspondences ());

pcl::KdTreeFLANN<DescriptorType> match_search;

match_search.setInputCloud (model_descriptors);

//  For each scene keypoint descriptor, find nearest neighbor into the model keypoints descriptor cloud and add it to the correspondences vector.

for (size_t i = 0; i < scene_descriptors->size (); ++i)

{

std::vector<int> neigh_indices (1);

std::vector<float> neigh_sqr_dists (1);

if (!pcl_isfinite (scene_descriptors->at (i).descriptor[0])) //skipping NaNs

{

continue;

}

int found_neighs = match_search.nearestKSearch (scene_descriptors->at (i), 1, neigh_indices, neigh_sqr_dists);

if(found_neighs == 1 && neigh_sqr_dists[0] < 0.25f) //  add match only if the squared descriptor distance is less than 0.25 (SHOT descriptor distances are between 0 and 1 by design)

{

pcl::Correspondence corr (neigh_indices[0], static_cast<int> (i), neigh_sqr_dists[0]);

model_scene_corrs->push_back (corr);

}

}

std::cout << "Correspondences found: " << model_scene_corrs->size () << std::endl;

struct   pcl::PointCorrespondence3D

表示两个不同坐标系中的两个3D点之间的(可能的)对应关系(例如，来自特征匹配)

struct  pcl::PointCorrespondence6D

表示两个点之间的（可能的）对应关系（例如来自特征匹配），是一个6DOF变换。

以上这三个类是继承的关系。

以下是点云库中已经定义好的点云的形式

struct  pcl::PointXYZ

表示Euclidean xyz坐标的点集结构类型

struct  pcl::Intensity

表示单通道图像灰度强度的点集结构类型

struct  pcl::Intensity8u

一种表示单通道图像灰度强度的点集结构类型

struct  pcl::Intensity32u

表示单通道图像灰度强度的点集结构类型

struct  pcl::_PointXYZI

表示欧氏XYZ坐标的点集结构和强度值

struct   pcl::PointXYZRGBA

表示欧氏XYZ坐标和RGBA颜色的点集结构类型

struct  pcl::PointXYZRGB

表示欧氏XYZ坐标和RGB颜色的点集结构类型struct

pcl::PointXY

表示Euclidean xy坐标的二维点集结构类型

struct  pcl::PointUV

表示像素图像坐标的2D点集结构类型

struct  pcl::InterestPoint

表示具有欧几里德xyz坐标和兴趣值的点集结构类型

struct  pcl::Normal

表示法向量坐标和曲面曲率估计的点集结构类型

struct  pcl::Axis

用法向量坐标表示轴的点集结构

struct  pcl::PointNormal

表示欧几里德xyz坐标的点集结构，连同法线坐标和表面曲率估计值

struct  pcl::PointXYZRGBNormal

表示欧几里德xyz坐标和RGB颜色的点集结构，以及法线坐标和表面曲率估计.

struct  pcl::PointXYZINormal

表示欧几里德xyz坐标，强度，连同法线坐标和表面曲率估计的点集结构类型。

struct  pcl::PointXYZLNormal

表示欧几里得xyz坐标，一个标签，法线坐标和表面曲率估计的点集结构类型

struct  pcl::PointWithRange

表示欧几里德XYZ坐标的点集结构，并连同的浮点数的深度信息

struct  pcl::PointWithViewpoint

表示欧几里得xyz坐标的点集结构以及的视点的点集结构

struct  pcl::MomentInvariants

表示三个矩是不变量的点集结构类型

struct  pcl::PrincipalRadiiRSD

表示使用RSD计算的最小和最大表面半径（以米为单位）的点集结构类型

struct  pcl::Boundary

表示点是否位于表面边界的点集结构

struct  pcl::PrincipalCurvatures

表示主曲率及其幅值的点集结构

以下是一些三维特征点描述子的点集结构

struct  pcl::PFHSignature125

表示点云的特征直方图（PFH）的点集结构类型

struct  pcl::PFHRGBSignature250

表示颜色特征点特征直方图的点结构（PFHGB）

struct  pcl::PPFSignature

用于存储点对特征（PPF）值的点集结构

struct  pcl::CPPFSignature

用于存储点对特征（CPPP）值的点集结构

struct  pcl::PPFRGBSignature

用于存储点对颜色特征（PPFRGB）值的点集结构

struct  pcl::NormalBasedSignature12

表示4-By3的特征矩阵的基于正常的签名的点结构

struct  pcl::ShapeContext1980

表示形状上下文的点结构

struct  pcl::UniqueShapeContext1960

表示唯一形状上下文的点结构

struct  pcl::SHOT352

表示OrienTations直方图（SHOT）的通用标签形状的点集结构

struct   pcl::SHOT1344

一种点结构，表示OrienTations直方图（SHOT）的通用签名-形状+颜色。

struct  pcl::_ReferenceFrame

表示点的局部参照系的结构

struct  pcl::FPFHSignature33

表示快速点特征直方图（FPFH）的点结构

struct  pcl::VFHSignature308

表示视点特征直方图（VFH）的点结构

struct   pcl::GRSDSignature21

表示全局半径的表面描述符（GRSD）的点结构。

struct   pcl::BRISKSignature512

表示二进制鲁棒不变可缩放关键点（BRISK）的点结构。

struct  pcl::ESFSignature640

表示形状函数集合的点结构（ESF）

struct  pcl::GASDSignature512

表示全局对准的空间分布（GASD）形状描述符的点结构

struct   pcl::GASDSignature984

表示全局对齐空间分布（GASD）形状和颜色描述符的点结构

struct   pcl::GASDSignature7992

表示全局对齐空间分布（GASD）形状和颜色描述符的点结构

struct  pcl::GFPFHSignature16

表示具有16个容器的GFPFH描述符的点结构。

struct  pcl::Narf36

表示NARF描述符的点结构

struct  pcl::BorderDescription

用于存储距离图像中的点位于障碍物和背景之间的边界上的结构

struct  pcl::IntensityGradient

表示Xyz点云强度梯度的点结构

struct  pcl::Histogram< N >

表示N-D直方图的点结构

struct  pcl::PointWithScale

表示三维位置和尺度的点结构

struct  pcl::PointSurfel

曲面，即表示欧几里德xyz坐标的点结构，连同法向坐标、RGBA颜色、半径、置信值和表面曲率估计。

struct  pcl::PointDEM

表示数字高程图的点结构 Digital Elevation Map. ..

class  pcl::PCLBase< PointT >

PCL的基类

struct  pcl::GradientXY

表示欧氏XYZ坐标的点结构和强度值