PCL关键点(1)

关键点也称为兴趣点,它是2D图像或是3D点云或者曲面模型上,可以通过定义检测标准来获取的具有稳定性,区别性的点集,从技术上来说,关键点的数量相比于原始点云或图像的数据量减小很多,与局部特征描述子结合在一起,组成关键点描述子常用来形成原始数据的表示,而且不失代表性和描述性,从而加快了后续的识别,追踪等对数据的处理了速度,故而,关键点技术成为在2D和3D 信息处理中非常关键的技术

NARF(Normal Aligned Radial Feature)关键点是为了从深度图像中识别物体而提出的,对NARF关键点的提取过程有以下要求:

a) 提取的过程考虑边缘以及物体表面变化信息在内;

b)在不同视角关键点可以被重复探测;

c)关键点所在位置有足够的支持区域,可以计算描述子和进行唯一的估计法向量。

其对应的探测步骤如下:

(1) 遍历每个深度图像点,通过寻找在近邻区域有深度变化的位置进行边缘检测。

(2) 遍历每个深度图像点,根据近邻区域的表面变化决定一测度表面变化的系数,及变化的主方向。

(3) 根据step(2)找到的主方向计算兴趣点,表征该方向和其他方向的不同,以及该处表面的变化情况,即该点有多稳定。

(4) 对兴趣值进行平滑滤波。

(5) 进行无最大值压缩找到的最终关键点,即为NARF关键点。

关于NARF的更为具体的描述请查看这篇博客www.cnblogs.com/ironstark/p/5051533.html。

PCL中keypoints模块及类的介绍

(1)class pcl::Keypoint<PointInT,PointOutT>  类keypoint是所有关键点检测相关类的基类,定义基本接口,具体实现由子类来完成,其继承关系时下图:

具体介绍:

Public Member Functions

virtual void

setSearchSurface (const PointCloudInConstPtr &cloud)

设置搜索时所用搜索点云,cloud为指向点云对象的指针引用

void

setSearchMethod (const KdTreePtr &tree)  设置内部算法实现时所用的搜索对象,tree为指向kdtree或者octree对应的指针

void

setKSearch (int k)   设置K近邻搜索时所用的K参数

void

setRadiusSearch (double radius)   设置半径搜索的半径的参数

int

searchForNeighbors (int index, double parameter, std::vector< int > &indices, std::vector< float > &distances) const

采用setSearchMethod设置搜索对象,以及setSearchSurface设置搜索点云,进行近邻搜索,返回近邻在点云中的索引向量,

indices以及对应的距离向量distance其中为查询点的索引,parameter为搜索时所用的参数半径或者K

(2)class  pcl::HarrisKeypoint2D<PointInT,PointOutT,IntensityT>

类HarrisKeypoint2D实现基于点云的强度字段的harris关键点检测子,其中包括多种不同的harris关键点检测算法的变种,其关键函数的说明如下:

Public Member Functions

HarrisKeypoint2D (ResponseMethod method=HARRIS, int window_width=3, int window_height=3, int min_distance=5, float threshold=0.0)

重构函数,method需要设置采样哪种关键点检测方法,有HARRIS,NOBLE,LOWE,WOMASI四种方法,默认为HARRIS,window_width  window_height为检测窗口的宽度和高度min_distance 为两个关键点之间 容许的最小距离,threshold为判断是否为关键点的感兴趣程度的阀值,小于该阀值的点忽略,大于则认为是关键点

void

setMethod (ResponseMethod type)设置检测方式

void

setWindowWidth (int window_width)  设置检测窗口的宽度

void

setWindowHeight (int window_height)  设置检测窗口的高度

void

setSkippedPixels (int skipped_pixels)  设置在检测时每次跳过的像素的数目

void

setMinimalDistance (int min_distance)   设置候选关键点之间的最小距离

void

setThreshold (float threshold)  设置感兴趣的阀值

void

setNonMaxSupression (bool=false)  设置是否对小于感兴趣阀值的点进行剔除,如果是true则剔除,否则返回这个点

void

setRefine (bool do_refine)设置是否对所得的关键点结果进行优化,

void

setNumberOfThreads (unsigned int nr_threads=0)  设置该算法如果采用openMP并行机制,能够创建线程数目

(3)pcl::HarrisKeypoint3D< PointInT, PointOutT, NormalT >

类HarrisKeypoint3D和HarrisKeypoint2D类似,但是没有在点云的强度空间检测关键点,而是利用点云的3D空间的信息表面法线向量来进行关键点检测,关于HarrisKeypoint3D的类与HarrisKeypoint2D相似,除了

HarrisKeypoint3D (ResponseMethod method=HARRIS, float radius=0.01f, float threshold=0.0f)

重构函数,method需要设置采样哪种关键点检测方法,有HARRIS,NOBLE,LOWE,WOMASI四种方法,默认为HARRIS,radius为法线估计的搜索半径,threshold为判断是否为关键点的感兴趣程度的阀值,小于该阀值的点忽略,大于则认为是关键点。

(4)pcl::HarrisKeypoint6D< PointInT, PointOutT, NormalT >

类HarrisKeypoint6D和HarrisKeypoint2D类似,只是利用了欧式空间域XYZ或者强度域来候选关键点,或者前两者的交集,即同时满足XYZ域和强度域的关键点为候选关键点,

HarrisKeypoint6D (float radius=0.01, float threshold=0.0)  重构函数,此处并没有方法选择的参数,而是默认采用了Tomsai提出的方法实现关键点的检测,radius为法线估计的搜索半径,threshold为判断是否为关键点的感兴趣程度的阀值,小于该阀值的点忽略,大于则认为是关键点。

(5)pcl::SIFTKeypoint< PointInT, PointOutT >

类SIFTKeypoint是将二维图像中的SIFT算子调整后移植到3D空间的SIFT算子的实现,输入带有XYZ坐标值和强度的点云,输出为点云中的SIFT关键点,其关键函数的说明如下:

void  setScales (float min_scale, int nr_octaves, int nr_scales_per_octave)
设置搜索时与尺度相关的参数,min_scale在点云体素尺度空间中标准偏差,点云对应的体素栅格中的最小尺寸
int nr_octaves是检测关键点时体素空间尺度的数目,nr_scales_per_octave为在每一个体素空间尺度下计算高斯空间的尺度所需要的参数
void  setMinimumContrast (float min_contrast)   设置候选关键点对应的对比度下限

(6)还有很多不再一一介绍

实例分析

实验实现提取NARF关键点,并且用图像和3D显示的方式进行可视化,可以直观的观察关键点的位置和数量 narf_feature_extraction.cpp:

#include <iostream>
#include <boost/thread/thread.hpp>
#include <pcl/range_image/range_image.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/range_image_visualizer.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/features/range_image_border_extractor.h>
#include <pcl/keypoints/narf_keypoint.h>
#include <pcl/features/narf_descriptor.h>
#include <pcl/console/parse.h>

typedef pcl::PointXYZ PointType;
float angular_resolution = 0.5f; //angular_resolution为模拟的深度传感器的角度分辨率,即深度图像中一个像素对应的角度大小
float support_size = 0.2f;                 //点云大小的设置
pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;     //设置坐标系
bool setUnseenToMaxRange = false;
bool rotation_invariant = true;
void printUsage (const char* progName) {  std::cout << "\n\nUsage: "<<progName<<" [options] <scene.pcd>\n\n"            << "Options:\n"            << "-------------------------------------------\n"            << "-r <float>   angular resolution in degrees (default "<<angular_resolution<<")\n" << "-c <int>     coordinate frame (default "<< (int)coordinate_frame<<")\n"            << "-m           Treat all unseen points to max range\n"            << "-s <float>   support size for the interest points (diameter of the used sphere - ""default "<<support_size<<")\n"            << "-o <0/1>     switch rotational invariant version of the feature on/off"            <<               " (default "<< (int)rotation_invariant<<")\n"            << "-h           this help\n"            << "\n\n"; }void setViewerPose (pcl::visualization::PCLVisualizer& viewer, const Eigen::Affine3f& viewer_pose)  //设置视口的位姿{  Eigen::Vector3f pos_vector = viewer_pose * Eigen::Vector3f (0, 0, 0);  
//视口的原点pos_vector  Eigen::Vector3f look_at_vector = viewer_pose.rotation () * Eigen::Vector3f (0, 0, 1) + pos_vector;  //旋转+平移look_at_vector  Eigen::Vector3f up_vector = viewer_pose.rotation () * Eigen::Vector3f (0, -1, 0);   //up_vector  viewer.setCameraPosition (pos_vector[0], pos_vector[1], pos_vector[2],    look_at_vector[0], look_at_vector[1], look_at_vector[2], up_vector[0], up_vector[1], up_vector[2]); }
int main (int argc, char** argv) {    if (pcl::console::find_argument (argc, argv, "-h") >= 0)  {    printUsage (argv[0]);    return 0;  }  if (pcl::console::find_argument (argc, argv, "-m") >= 0)  {    setUnseenToMaxRange = true;    cout << "Setting unseen values in range image to maximum range readings.\n";  }  if (pcl::console::parse (argc, argv, "-o", rotation_invariant) >= 0)    cout << "Switching rotation invariant feature version "<< (rotation_invariant ? "on" : "off")<<".\n";  int tmp_coordinate_frame;  if (pcl::console::parse (argc, argv, "-c", tmp_coordinate_frame) >= 0)  {    coordinate_frame = pcl::RangeImage::CoordinateFrame (tmp_coordinate_frame);    cout << "Using coordinate frame "<< (int)coordinate_frame<<".\n";  }  if (pcl::console::parse (argc, argv, "-s", support_size) >= 0)    cout << "Setting support size to "<<support_size<<".\n";  if (pcl::console::parse (argc, argv, "-r", angular_resolution) >= 0)    cout << "Setting angular resolution to "<<angular_resolution<<"deg.\n";  angular_resolution = pcl::deg2rad (angular_resolution);    // -Read pcd file or create example point cloud if not given--  //  pcl::PointCloud<PointType>::Ptr point_cloud_ptr (new pcl::PointCloud<PointType>);  pcl::PointCloud<PointType>& point_cloud = *point_cloud_ptr;  pcl::PointCloud<pcl::PointWithViewpoint> far_ranges;  Eigen::Affine3f scene_sensor_pose (Eigen::Affine3f::Identity ());  std::vector<int> pcd_filename_indices = pcl::console::parse_file_extension_argument (argc, argv, "pcd");  if (!pcd_filename_indices.empty ())  {    std::string filename = argv[pcd_filename_indices[0]];    if (pcl::io::loadPCDFile (filename, point_cloud) == -1)    {      cerr << "Was not able to open file \""<<filename<<"\".\n";      printUsage (argv[0]);      return 0;    }
   scene_sensor_pose = Eigen::Affine3f (Eigen::Translation3f (point_cloud.sensor_origin_[0],  point_cloud.sensor_origin_[1],point_cloud.sensor_origin_[2])) * Eigen::Affine3f (point_cloud.sensor_orientation_);    std::string far_ranges_filename = pcl::getFilenameWithoutExtension (filename)+"_far_ranges.pcd";    if (pcl::io::loadPCDFile (far_ranges_filename.c_str (), far_ranges) == -1)      std::cout << "Far ranges file \""<<far_ranges_filename<<"\" does not exists.\n";  }  else  {    setUnseenToMaxRange = true;    cout << "\nNo *.pcd file given => Genarating example point cloud.\n\n";    for (float x=-0.5f; x<=0.5f; x+=0.01f)    {      for (float y=-0.5f; y<=0.5f; y+=0.01f)      {        PointType point;  point.x = x;  point.y = y;  point.z = 2.0f - y;        point_cloud.points.push_back (point);      }    }    point_cloud.width = (int) point_cloud.points.size ();  point_cloud.height = 1;  }    // -----Create RangeImage from the PointCloud-----  //  float noise_level = 0.0;  float min_range = 0.0f;  int border_size = 1;  boost::shared_ptr<pcl::RangeImage> range_image_ptr (new pcl::RangeImage);  pcl::RangeImage& range_image = *range_image_ptr;    range_image.createFromPointCloud (point_cloud, angular_resolution, pcl::deg2rad (360.0f), pcl::deg2rad (180.0f),                                   scene_sensor_pose, coordinate_frame, noise_level, min_range, border_size);  range_image.integrateFarRanges (far_ranges);  if (setUnseenToMaxRange)    range_image.setUnseenToMaxRange ();    // -----Open 3D viewer and add point cloud-----  //  pcl::visualization::PCLVisualizer viewer ("3D Viewer");  viewer.setBackgroundColor (1, 1, 1);  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointWithRange> range_image_color_handler (range_image_ptr, 0, 0, 0);  viewer.addPointCloud (range_image_ptr, range_image_color_handler, "range image");  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "range image");
 //viewer.addCoordinateSystem (1.0f, "global");
//PointCloudColorHandlerCustom<PointType> point_cloud_color_handler (point_cloud_ptr, 150, 150, 150);
//viewer.addPointCloud (point_cloud_ptr, point_cloud_color_handler, "original point cloud");  
 viewer.initCameraParameters ();  setViewerPose (viewer, range_image.getTransformationToWorldSystem ());   // -----Show range image-----  //  pcl::visualization::RangeImageVisualizer range_image_widget ("Range image");  range_image_widget.showRangeImage (range_image);
  /* 创建RangeImageBorderExtractor对象,它是用来进行边缘提取的,因为NARF的第一步就是需要探测出深度图像的边缘*/ // -----Extract NARF keypoints-----  //  pcl::RangeImageBorderExtractor range_image_border_extractor;   //用来提取边缘  pcl::NarfKeypoint narf_keypoint_detector;      //用来检测关键点  narf_keypoint_detector.setRangeImageBorderExtractor (&range_image_border_extractor);   //  narf_keypoint_detector.setRangeImage (&range_image);  narf_keypoint_detector.getParameters ().support_size = support_size;    //设置NARF的参数    pcl::PointCloud<int> keypoint_indices;  narf_keypoint_detector.compute (keypoint_indices);  std::cout << "Found "<<keypoint_indices.points.size ()<<" key points.\n"; // -----Show keypoints in 3D viewer-----  //  pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints_ptr (new pcl::PointCloud<pcl::PointXYZ>);  pcl::PointCloud<pcl::PointXYZ>& keypoints = *keypoints_ptr;  keypoints.points.resize (keypoint_indices.points.size ());  for (size_t i=0; i<keypoint_indices.points.size (); ++i)    keypoints.points[i].getVector3fMap () = range_image.points[keypoint_indices.points[i]].getVector3fMap ();  pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> keypoints_color_handler (keypoints_ptr, 0, 255, 0);  viewer.addPointCloud<pcl::PointXYZ> (keypoints_ptr, keypoints_color_handler, "keypoints");  viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "keypoints");   // -----Extract NARF descriptors for interest points-----  //  std::vector<int> keypoint_indices2;  keypoint_indices2.resize (keypoint_indices.points.size ());  for (unsigned int i=0; i<keypoint_indices.size (); ++i) // This step is necessary to get the right vector type    keypoint_indices2[i]=keypoint_indices.points[i];  pcl::NarfDescriptor narf_descriptor (&range_image, &keypoint_indices2);  narf_descriptor.getParameters ().support_size = support_size;  narf_descriptor.getParameters ().rotation_invariant = rotation_invariant;  pcl::PointCloud<pcl::Narf36> narf_descriptors;  narf_descriptor.compute (narf_descriptors);  cout << "Extracted "<<narf_descriptors.size ()<<" descriptors for "                      <<keypoint_indices.points.size ()<< " keypoints.\n";  while (!viewer.wasStopped ())  {    range_image_widget.spinOnce ();  // process GUI events    viewer.spinOnce ();    pcl_sleep(0.01);  } }

运行结果:

(0)

相关推荐

  • C|文件关连与程序自启动

    首先我们来看Windows操作系统的文件关连是怎么回事. 例如.txt文本文件,右击,选择打开方式,选择默认程序: 根据这台电脑安装的应用程序,推荐打开的方式有3种,其中%SystemRoot%\sy ...

  • PCL—低层次视觉—关键点检测(NARF)

    关键点检测本质上来说,并不是一个独立的部分,它往往和特征描述联系在一起,再将特征描述和识别.寻物联系在一起.关键点检测可以说是通往高层次视觉的重要基础.但本章节仅在低层次视觉上讨论点云处理问题,故所有 ...

  • PCL—低层次视觉—关键点检测(Harris)

    除去NARF这种和特征检测联系比较紧密的方法外,一般来说特征检测都会对曲率变化比较剧烈的点更敏感.Harris算法是图像检测识别算法中非常重要的一个算法,其对物体姿态变化鲁棒性好,对旋转不敏感,可以很 ...

  • 【穴位去痛,别忽略手背!16个“关键点”...

    [穴位去痛,别忽略手背!16个"关键点"] 1.头顶点:中指第一指关节桡侧赤白肉际.主头顶痛.神 经 头痛.经痛.   2.偏头点:无名指第一指关节尺侧赤白肉际处.主偏头痛.胸胁痛 ...

  • 学习书法找到这四个关键点就是找到笔法的窍门儿了吗

    谢谢您的邀请和提问."书法对于用笔真的很关键吗?为何?"我首先想纠正一下书法和用笔的表达,应该是用笔对书法很关键,而不是书法对用笔很关键. 因为,用笔是书法的一部分,一方面内容,书 ...

  • 都说施工队伍难管理,这几个关键点你做到了吗?

    在与项目部施工技术人员交流中,会发现他们有一个共同的心声:施工队伍太难管,施工队伍不听话,施工队老板太牛,施工员没有权威,施工队伍不把施工员放在眼里等等.由此可见,对施工队伍的管理已经成为了一个难题. ...

  • 夏季养生关键点是养阳

    夏季是适合养生的季节,此时万物生长,阳气在外,若是不及时保健身体的话,阳气就会大量流失,致使身体健康状况日益变差.因此,夏季最重要的就是养阳,那么你知道夏季该如何养阳吗? 夏季养生该如何养阳 1.艾灸 ...

  • 九宫格填数,难住很多家长和老师,没有掌握这个关键点

    九宫格填数,难住很多家长和老师,没有掌握这个关键点

  • 千层马蹄糕层次不明显?关键点教给大家,层次分明,Q弹软糯

    我们去外面吃饭的时候一般都会点上一些小甜点,口感是非常棒的,甜品是我最爱的东西了!小甜点的花样很多,每次去的时候都会点不一样的来尝尝,但是点的最多的就是这一款千层马蹄糕. 想必不少人应该都吃过,颜值是 ...

  • 【干货】服装图案混搭3个关键点+25个实例

    我一直很中意图文的学习形式,因为图片与文字的结合,更适合学习者的深度思考,我将国外的一段视频教学内容拆解成图文形式,纯分享,助你提升. 内容来源:怎样混搭图案的25个实例 主题:怎样混搭图案的25个实 ...