濾除背景

我們獲得的點云可能包含一部分背景的點云。要去除背景，只保留人體信息，最簡單的方式是使用直通濾波器濾除較遠點。這部分代碼如下：1

2

3

4

5

6pcl::PassThrough<:pointxyz>pass; //設置濾波器對象

pass.setInputCloud(cloud); //設置輸入點云

pass.setFilterFieldName("z"); //設置過濾時所需要點云類型的z字段

pass.setFilterLimits(0.0,1.0); //設置在過濾字段上的范圍

//pass.setFilterLimitsNegative (true); //設置保留范圍內(nèi)的還是過濾掉范圍內(nèi)的

pass.filter(*cloud_filtered); //執(zhí)行濾波，保存過濾結(jié)果在cloud_filtered

濾除背景也可以通過Kinect SDK實現(xiàn)，這部分可以參考SDK的“游戲者ID”。

移除離群點

激光掃描通常會產(chǎn)生密度不均勻的點云數(shù)據(jù)集。另外，測量中的誤差會產(chǎn)生稀疏的離群點，使效果更糟。因此對每個點的鄰域進行一個統(tǒng)計分析，并修剪掉那些不符合一定標準的點。1

2

3

4

5pcl::StatisticalOutlierRemoval<:pointxyz> sor;// 創(chuàng)建濾波器對象

sor.setInputCloud(cloud); //設置呆濾波的點云

sor.setMeanK(50); //設置在進行統(tǒng)計時考慮查詢點鄰近點數(shù)

sor.setStddevMulThresh(1.0); //設置判斷是否為離群點的閾值

sor.filter(*cloud_filtered); //執(zhí)行濾波處理保存內(nèi)點到cloud_filtered

下采樣

為什么要進行下采樣？

Kinect直接得到的點云數(shù)據(jù)非常龐大，由于我們下一步要對其進行配準和拼接處理，如果不對點云進行適當精簡，運算時間可能非常長。因此，要等效一個Point較少的點云，取代原始點云進行配準操作。

PCL實現(xiàn)的VoxelGrid類通過輸入的點云數(shù)據(jù)創(chuàng)建一個三維體素柵格(可把體素柵格想象為微小的空間三維立方體的集合)，然后在每個體素(即，三維立方體)內(nèi)，用體素中所有點的重心來近似顯示體素中其他點，這樣該體素就內(nèi)所有點就用一個重心點最終表示，對于所有體素處理后得到過濾后的點云。1

2

3

4pcl::VoxelGrid<:pointcloud2>sor; //創(chuàng)建濾波對象

sor.setInputCloud(cloud); //設置需要過濾的點云給濾波對象

sor.setLeafSize(0.01f,0.01f,0.01f); //設置濾波時創(chuàng)建的體素大小為1cm立方體

sor.filter(*cloud_filtered); //執(zhí)行濾波處理，存儲輸出cloud_filtered

點云拼接

配準

什么是配準

配準是將一個點云找到與另一個點云相對應的部分，并得到兩個點云之間的轉(zhuǎn)換矩陣。

配準之后,我們就可以將一個點云轉(zhuǎn)換到另一個點云所在的坐標系內(nèi)。在同一個坐標系內(nèi)的點云可以進行拼接，形成一個更大的點云。

PCL內(nèi)置了許多配準算法,例如迭代最近點對(ICP)算法，正態(tài)分布變換算法，隨機一致采樣(ransac)算法，等等。實際使用中，往往需要根據(jù)點云的特征選取合適的算法。這里使用了ransac算法。

隨機抽樣一致性算法(RANSAC)

概述

RANSAC是“RANdom SAmple Consensus(隨機抽樣一致)”的縮寫。它可以從一組包含“局外點”的觀測數(shù)據(jù)集中，通過迭代方式估計數(shù)學模型的參數(shù)。

RANSAC通過反復選擇數(shù)據(jù)中的一組隨機子集來達成目標。被選取的子集被假設為局內(nèi)點，并進行驗證。

算法

RANSAC算法的輸入是一組觀測數(shù)據(jù)，一個可以解釋或者適應于觀測數(shù)據(jù)的參數(shù)化模型，一些可信的參數(shù)。

模型對應的是空間中一個點云數(shù)據(jù)到另外一個點云數(shù)據(jù)的旋轉(zhuǎn)以及平移。

第一步隨機選取點云中的一個點對，利用其不變特征(兩點距離，兩點法向量夾角)作為哈希表的索引值搜索另一個點云中的一個對應點對，然后計算得到旋轉(zhuǎn)及平移的參數(shù)值。

用得到的變換模型去測試其它點，如果某個點適用于估計的模型，認為它也是局內(nèi)點。

用所有假設的局內(nèi)點去重新估計模型,重新計算旋轉(zhuǎn)及平移的參數(shù)。

和上一個模型進行比較:是否有更多的局內(nèi)點和更小的錯誤率。

然后迭代上述過程，直到找到最好的模型,或達到迭代次數(shù)。

優(yōu)勢和缺點

RANSAC的優(yōu)點是它能從包含大量局外點的數(shù)據(jù)集中估計出高精度的參數(shù)。

RANSAC的缺點是它計算參數(shù)的迭代次數(shù)沒有上限；如果設置迭代次數(shù)的上限，得到的結(jié)果可能不是最優(yōu)的結(jié)果，甚至可能得到錯誤的結(jié)果。RANSAC只有一定的概率得到可信的模型，概率與迭代次數(shù)成正比。RANSAC的另一個缺點是它要求設置跟問題相關(guān)的閥值。

如何提高配準的精確度

對于兩個點云來說，提高精確度的方法是選取合適的算法、增加迭代次數(shù)、修改參數(shù)。

實際配準中，我們可能要連續(xù)配準多個點云。這樣，在兩個點云匹配中出現(xiàn)的誤差可能被放大。嘗試了以下幾種思路：第n個點云與第n+1個點云配準，得到轉(zhuǎn)換矩陣。將第n-1個轉(zhuǎn)換矩陣乘以這個轉(zhuǎn)換矩陣，得到第n個轉(zhuǎn)換矩陣。第n+1個點云乘以第n個轉(zhuǎn)換矩陣，得到它投影到第1個點云所在坐標系的新點云。

上一方法的改進策略:同時由第1個點云向后出發(fā)，第n個點云向前出發(fā)進行配準，最終重合。

第n個點云與第n+1個點云配準，得到轉(zhuǎn)換矩陣,并將第n+1個點云乘以轉(zhuǎn)換矩陣，將得到的新點云替換第n+1個點云。

第n個點云與第n+1個點云配準，得到轉(zhuǎn)換矩陣,并將第n+1個點云乘以轉(zhuǎn)換矩陣，將得到的新點云拼接上第n個點云，然后替換第n+1個點云。

最終選擇了第二種方法，它可以達到較好的效果。

配準部分的代碼，根據(jù)采取的算法不同有所變化，建議從官方文檔參看這部分代碼。

最終效果

實際使用中，很難做到短時間高精度地配準出點云,對于一些情況，可能要進行有針對性的優(yōu)化。這是測試中配準效果較好的一個:

總結(jié)

以上是生活随笔為你收集整理的多帧点云数据拼接合并_PCL点云处理实践(二):点云的处理和拼接的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。