网站是用什么技术做的,公司产品营销策划,深圳宝安网站建设报价,可以加微信的交友软件在这次我们将学会隐式形状模型算法通过pcl::ism::ImplicitShapeModel这个类来实现。这个算法是把Hough转换和特征近似包进行结合。有训练集#xff0c;这个算法将计算一个确定的模型用来预测一个物体的中心。
这个算法由两部分组成#xff0c;第一部分是训练#xff0c;第二… 在这次我们将学会隐式形状模型算法通过pcl::ism::ImplicitShapeModel这个类来实现。这个算法是把Hough转换和特征近似包进行结合。有训练集这个算法将计算一个确定的模型用来预测一个物体的中心。
这个算法由两部分组成第一部分是训练第二部分是物体识别。它有以下6步:
1.先发现特征点。这只是一个训练点云的简化。在这个步骤里面所有的点云都将被简化通过体元栅格这个途径。余下来的点就是特征点。
2.对特征点用FPFH进行预测。
3.通过k-means这个算法进行聚类。
4.计算每一个实例里面的对中心的方向。
5.对每一个视觉信息数学权重将会被计算。
6.每一个特征点的权重将会被计算。
我们在训练的过程结束以后接下来就是对象搜索的进程。
1.特征点检测。
2.每个点云特征点的特征检测。
3.对于每个特征搜索最近的视觉信息。
4.对于每一个特征:
对于每一个实例: 对相应的方向进行决策。
5.前面的步骤给了我们一个方向集用来预测中心与能量。
上面的步骤很多涉及机器学习之类的大致明白那个过程即可
代码部分:
第一步我们需要点云的训练集。在下面是一些可以用的训练集. Cat (train) Horse (train) Lioness (train) Michael (train) Wolf (train) 用来检测的点云: Cat Horse Lioness Michael Wolf 下面是代码 #include iostream
#include pcl/io/pcd_io.h
#include pcl/features/normal_3d.h
#include pcl/features/feature.h
#include pcl/visualization/cloud_viewer.h
#include pcl/features/fpfh.h
#include pcl/features/impl/fpfh.hpp
#include pcl/recognition/implicit_shape_model.h
#include pcl/recognition/impl/implicit_shape_model.hpp
int
main (int argc, char** argv)
{
if (argc 0 || argc % 2 0)
return (-1);
unsigned int number_of_training_clouds (argc - 3) / 2;
pcl::NormalEstimationpcl::PointXYZ, pcl::Normal normal_estimator;
normal_estimator.setRadiusSearch (25.0);
std::vectorpcl::PointCloudpcl::PointXYZ::Ptr training_clouds;
std::vectorpcl::PointCloudpcl::Normal::Ptr training_normals;
std::vectorunsigned int training_classes;
for (unsigned int i_cloud 0; i_cloud number_of_training_clouds - 1; i_cloud)
{
pcl::PointCloudpcl::PointXYZ::Ptr tr_cloud(new pcl::PointCloudpcl::PointXYZ ());
if ( pcl::io::loadPCDFile pcl::PointXYZ (argv[i_cloud * 2 1], *tr_cloud) -1 )
return (-1);
pcl::PointCloudpcl::Normal::Ptr tr_normals (new pcl::PointCloudpcl::Normal)-makeShared ();
normal_estimator.setInputCloud (tr_cloud);
normal_estimator.compute (*tr_normals);
unsigned int tr_class static_castunsigned int (strtol (argv[i_cloud * 2 2], 0, 10));
training_clouds.push_back (tr_cloud);
training_normals.push_back (tr_normals);
training_classes.push_back (tr_class);
}
pcl::FPFHEstimationpcl::PointXYZ, pcl::Normal, pcl::Histogram153 ::Ptr fpfh
(new pcl::FPFHEstimationpcl::PointXYZ, pcl::Normal, pcl::Histogram153 );
fpfh-setRadiusSearch (30.0);
pcl::Feature pcl::PointXYZ, pcl::Histogram153 ::Ptr feature_estimator(fpfh);
pcl::ism::ImplicitShapeModelEstimation153, pcl::PointXYZ, pcl::Normal ism;
ism.setFeatureEstimator(feature_estimator);
ism.setTrainingClouds (training_clouds);
ism.setTrainingNormals (training_normals);
ism.setTrainingClasses (training_classes);
ism.setSamplingSize (2.0f);
pcl::ism::ImplicitShapeModelEstimation153, pcl::PointXYZ, pcl::Normal::ISMModelPtr model boost::shared_ptrpcl::features::ISMModel
(new pcl::features::ISMModel);
ism.trainISM (model);
std::string file (trained_ism_model.txt);
model-saveModelToFile (file);
model-loadModelFromfile (file);
unsigned int testing_class static_castunsigned int (strtol (argv[argc - 1], 0, 10));
pcl::PointCloudpcl::PointXYZ::Ptr testing_cloud (new pcl::PointCloudpcl::PointXYZ ());
if ( pcl::io::loadPCDFile pcl::PointXYZ (argv[argc - 2], *testing_cloud) -1 )
return (-1);
pcl::PointCloudpcl::Normal::Ptr testing_normals (new pcl::PointCloudpcl::Normal)-makeShared ();
normal_estimator.setInputCloud (testing_cloud);
normal_estimator.compute (*testing_normals);
boost::shared_ptrpcl::features::ISMVoteListpcl::PointXYZ vote_list ism.findObjects (
model,
testing_cloud,
testing_normals,
testing_class);
double radius model-sigmas_[testing_class] * 10.0;
double sigma model-sigmas_[testing_class];
std::vectorpcl::ISMPeak, Eigen::aligned_allocatorpcl::ISMPeak strongest_peaks;
vote_list-findStrongestPeaks (strongest_peaks, testing_class, radius, sigma);
pcl::PointCloud pcl::PointXYZRGB::Ptr colored_cloud (new pcl::PointCloudpcl::PointXYZRGB)-makeShared ();
colored_cloud-height 0;
colored_cloud-width 1;
pcl::PointXYZRGB point;
point.r 255;
point.g 255;
point.b 255;
for (size_t i_point 0; i_point testing_cloud-points.size (); i_point)
{
point.x testing_cloud-points[i_point].x;
point.y testing_cloud-points[i_point].y;
point.z testing_cloud-points[i_point].z;
colored_cloud-points.push_back (point);
}
colored_cloud-height testing_cloud-points.size ();
point.r 255;
point.g 0;
point.b 0;
for (size_t i_vote 0; i_vote strongest_peaks.size (); i_vote)
{
point.x strongest_peaks[i_vote].x;
point.y strongest_peaks[i_vote].y;
point.z strongest_peaks[i_vote].z;
colored_cloud-points.push_back (point);
}
colored_cloud-height strongest_peaks.size ();
pcl::visualization::CloudViewer viewer (Result viewer);
viewer.showCloud (colored_cloud);
while (!viewer.wasStopped ())
{
}
return (0);
} 1.首先加载用于训练的点云 for (unsigned int i_cloud 0; i_cloud number_of_training_clouds - 1; i_cloud)
{
pcl::PointCloudpcl::PointXYZ::Ptr tr_cloud(new pcl::PointCloudpcl::PointXYZ ());
if ( pcl::io::loadPCDFile pcl::PointXYZ (argv[i_cloud * 2 1], *tr_cloud) -1 )
return (-1);
pcl::PointCloudpcl::Normal::Ptr tr_normals (new pcl::PointCloudpcl::Normal)-makeShared ();
normal_estimator.setInputCloud (tr_cloud);
normal_estimator.compute (*tr_normals);
unsigned int tr_class static_castunsigned int (strtol (argv[i_cloud * 2 2], 0, 10));
training_clouds.push_back (tr_cloud);
training_normals.push_back (tr_normals);
training_classes.push_back (tr_class);
} 2.创建特征评估器的实例。 pcl::FPFHEstimationpcl::PointXYZ, pcl::Normal, pcl::Histogram153 ::Ptr fpfh
(new pcl::FPFHEstimationpcl::PointXYZ, pcl::Normal, pcl::Histogram153 );
fpfh-setRadiusSearch (30.0);
pcl::Feature pcl::PointXYZ, pcl::Histogram153 ::Ptr feature_estimator(fpfh); 3.创建pcl::ism::ImplicitShapeModeEstimation的实例。 ism.setFeatureEstimator(feature_estimator);
ism.setTrainingClouds (training_clouds);
ism.setTrainingNormals (training_normals);
ism.setTrainingClasses (training_classes);
ism.setSamplingSize (2.0f); 4.这个实例将输入训练集和特征预估器 pcl::ism::ImplicitShapeModelEstimation153, pcl::PointXYZ, pcl::Normal::ISMModelPtr model boost::shared_ptrpcl::features::ISMModel
(new pcl::features::ISMModel);
ism.trainISM (model); 上面这些将简化训练过程的启动 5.把训练模型存到文件里面为了使代码复用 std::string file (trained_ism_model.txt);
model-saveModelToFile (file); 6.从文件里面加载模型。 model-loadModelFromfile (file); 7.分类操作的点云和法线也需要训练的过程。 unsigned int testing_class static_castunsigned int (strtol (argv[argc - 1], 0, 10));
pcl::PointCloudpcl::PointXYZ::Ptr testing_cloud (new pcl::PointCloudpcl::PointXYZ ());
if ( pcl::io::loadPCDFile pcl::PointXYZ (argv[argc - 2], *testing_cloud) -1 )
return (-1);
pcl::PointCloudpcl::Normal::Ptr testing_normals (new pcl::PointCloudpcl::Normal)-makeShared ();
normal_estimator.setInputCloud (testing_cloud);
normal_estimator.compute (*testing_normals); 8.启动分类的进程。代码将会告诉算法去找testing_class类型的物体在给定的testing_cloud这个点云里面。注意算法将会使用任何你放进去进行训练的模型。在分类操作以后一列的决策将会以pcl::ism::ISMVoteList这个形式返回。 double radius model-sigmas_[testing_class] * 10.0;
double sigma model-sigmas_[testing_class];
std::vectorpcl::ISMPeak, Eigen::aligned_allocatorpcl::ISMPeak strongest_peaks;
vote_list-findStrongestPeaks (strongest_peaks, testing_class, radius, sigma); 上面的代码将会找到决策里面的最好的峰值。 运行下面的代码 ./implicit_shape_model
ism_train_cat.pcd 0
ism_train_horse.pcd 1
ism_train_lioness.pcd 2
ism_train_michael.pcd 3
ism_train_wolf.pcd 4
ism_test_cat.pcd 0 最后的参数是你要检测的点云和你感兴趣的类别。(比如猫) ~接下去你会看到 红点表示物体的中心。 如果你想要可视化决策的过程你就会看到如下的东西。蓝色是决策点
