做系统和做网站的区别,做虚假彩票网站判几年,网站排名必做阶段性seo策略,该模板尚未授权此网站滤除背景我们获得的点云可能包含一部分背景的点云。要去除背景#xff0c;只保留人体信息#xff0c;最简单的方式是使用直通滤波器滤除较远点。这部分代码如下#xff1a;123456pcl::PassThrough:pointxyzpass; //设置滤波器对象pass.setInputCloud(cloud); //设置…滤除背景我们获得的点云可能包含一部分背景的点云。要去除背景只保留人体信息最简单的方式是使用直通滤波器滤除较远点。这部分代码如下123456pcl::PassThrough:pointxyzpass; //设置滤波器对象pass.setInputCloud(cloud); //设置输入点云pass.setFilterFieldName(z); //设置过滤时所需要点云类型的z字段pass.setFilterLimits(0.0,1.0); //设置在过滤字段上的范围//pass.setFilterLimitsNegative (true); //设置保留范围内的还是过滤掉范围内的pass.filter(*cloud_filtered); //执行滤波保存过滤结果在cloud_filtered滤除背景也可以通过Kinect SDK实现这部分可以参考SDK的“游戏者ID”。移除离群点激光扫描通常会产生密度不均匀的点云数据集。另外测量中的误差会产生稀疏的离群点使效果更糟。因此对每个点的邻域进行一个统计分析并修剪掉那些不符合一定标准的点。12345pcl::StatisticalOutlierRemoval:pointxyz sor;// 创建滤波器对象sor.setInputCloud(cloud); //设置呆滤波的点云sor.setMeanK(50); //设置在进行统计时考虑查询点邻近点数sor.setStddevMulThresh(1.0); //设置判断是否为离群点的阈值sor.filter(*cloud_filtered); //执行滤波处理保存内点到cloud_filtered下采样为什么要进行下采样Kinect直接得到的点云数据非常庞大由于我们下一步要对其进行配准和拼接处理如果不对点云进行适当精简运算时间可能非常长。因此要等效一个Point较少的点云取代原始点云进行配准操作。PCL实现的VoxelGrid类通过输入的点云数据创建一个三维体素栅格(可把体素栅格想象为微小的空间三维立方体的集合)然后在每个体素(即三维立方体)内用体素中所有点的重心来近似显示体素中其他点这样该体素就内所有点就用一个重心点最终表示对于所有体素处理后得到过滤后的点云。1234pcl::VoxelGrid:pointcloud2sor; //创建滤波对象sor.setInputCloud(cloud); //设置需要过滤的点云给滤波对象sor.setLeafSize(0.01f,0.01f,0.01f); //设置滤波时创建的体素大小为1cm立方体sor.filter(*cloud_filtered); //执行滤波处理存储输出cloud_filtered点云拼接配准什么是配准配准是将一个点云找到与另一个点云相对应的部分并得到两个点云之间的转换矩阵。配准之后,我们就可以将一个点云转换到另一个点云所在的坐标系内。在同一个坐标系内的点云可以进行拼接形成一个更大的点云。PCL内置了许多配准算法,例如迭代最近点对(ICP)算法正态分布变换算法随机一致采样(ransac)算法等等。实际使用中往往需要根据点云的特征选取合适的算法。这里使用了ransac算法。随机抽样一致性算法(RANSAC)概述RANSAC是“RANdom SAmple Consensus(随机抽样一致)”的缩写。它可以从一组包含“局外点”的观测数据集中通过迭代方式估计数学模型的参数。RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点并进行验证。算法RANSAC算法的输入是一组观测数据一个可以解释或者适应于观测数据的参数化模型一些可信的参数。模型对应的是空间中一个点云数据到另外一个点云数据的旋转以及平移。第一步随机选取点云中的一个点对利用其不变特征(两点距离两点法向量夹角)作为哈希表的索引值搜索另一个点云中的一个对应点对然后计算得到旋转及平移的参数值。用得到的变换模型去测试其它点如果某个点适用于估计的模型认为它也是局内点。用所有假设的局内点去重新估计模型,重新计算旋转及平移的参数。和上一个模型进行比较:是否有更多的局内点和更小的错误率。然后迭代上述过程直到找到最好的模型,或达到迭代次数。优势和缺点RANSAC的优点是它能从包含大量局外点的数据集中估计出高精度的参数。RANSAC的缺点是它计算参数的迭代次数没有上限如果设置迭代次数的上限得到的结果可能不是最优的结果甚至可能得到错误的结果。RANSAC只有一定的概率得到可信的模型概率与迭代次数成正比。RANSAC的另一个缺点是它要求设置跟问题相关的阀值。如何提高配准的精确度对于两个点云来说提高精确度的方法是选取合适的算法、增加迭代次数、修改参数。实际配准中我们可能要连续配准多个点云。这样在两个点云匹配中出现的误差可能被放大。尝试了以下几种思路第n个点云与第n1个点云配准得到转换矩阵。将第n-1个转换矩阵乘以这个转换矩阵得到第n个转换矩阵。第n1个点云乘以第n个转换矩阵得到它投影到第1个点云所在坐标系的新点云。上一方法的改进策略:同时由第1个点云向后出发第n个点云向前出发进行配准最终重合。第n个点云与第n1个点云配准得到转换矩阵,并将第n1个点云乘以转换矩阵将得到的新点云替换第n1个点云。第n个点云与第n1个点云配准得到转换矩阵,并将第n1个点云乘以转换矩阵将得到的新点云拼接上第n个点云然后替换第n1个点云。最终选择了第二种方法它可以达到较好的效果。配准部分的代码根据采取的算法不同有所变化建议从官方文档参看这部分代码。最终效果实际使用中很难做到短时间高精度地配准出点云,对于一些情况可能要进行有针对性的优化。这是测试中配准效果较好的一个:
