0 引言

最近項目中用到了基于PCL開發的基于平面的點云和CAD模型的配準算法，點云平面提取采用的算法如下。

1 基于PCL的點云平面分割擬合算法

?2 參數及其意義介紹

（1）點云下采樣

　　1. 參數：leafsize

　　2. 意義：Voxel Grid的leafsize參數，物理意義是下采樣網格的大小，直接影響處理后點云密集程度，并對后期各種算法的處理速度產生直接影響。

　　3. 值越大，點云密度越低，處理速度越快；值越小，點云密度越高，處理速度越慢。通常保持這個值，使得其他的與點數有關的參數可以比較穩定而不作大的改動。

　　4. 對應的代碼：

PointCloudPtr cloud(new pointCloud); ParameterReader pd(ParameterFilePath); double leafsize = stod(pd.getData("leafsize")); pcl::VoxelGrid<PointT> sor; sor.setInputCloud(CRTP::cloud_org); sor.setLeafSize(leafsize, leafsize, leafsize); sor.filter(*cloud);

（2）點云法線估計

　　1. 參數：Ksearch

　　2. 意義：估計法線時鄰域內點的個數

　　3. 值越小，對點云的輪廓描述越精細；值越大，對點云的輪廓描述越粗糙。

　　4. 對應的代碼：

ParameterReader pd(ParameterFilePath); pcl::NormalEstimation<PointT, pcl::Normal> ne; pcl::PointCloud<pcl::Normal>::Ptr mynormals(new pcl::PointCloud<pcl::Normal>); pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>); tree->setInputCloud(cloud_filter); ne.setInputCloud(cloud_filter); ne.setSearchMethod(tree); ne.setKSearch(stoi(pd.getData("Ksearch"))); ne.compute(*mynormals);

?（3）RegionGrowing生長聚類算法對可能是平面的點云進行分割

　算法步驟：　　

　　1. 算法首先計算所有點的曲率值，并將曲率最小的點作為種子（seeds），開始進行生長?

　　2.?以法線夾角閾值（Angle threshold）作為判斷標準，對鄰域內的點進行遍歷判斷?，符合條件則加入當前點集，不符合則reject，并加入reject點集

　　3. 以曲率閾值（Curvature threshold）作為判斷標準，將鄰域內符合條件的點加入到種子隊列中?

　　4. 移除當前種子?

　　5. 如果當前種子隊列空了，表明當前子區域分割停止，遍歷其他種子區域，直到停止整個點云均被遍歷完為止生長

　參數分析：?

　　1. 參數：MinClusterSize（最小聚類點云數目），MaxClusterSize（最大聚類點云數據）

　　NumberOfNeighbours（尋找種子seed點最近的點判斷是否為同類），SmoothnessThreshold（聚類的法線夾角閾值）

? ? ? ?CurvatureThreshold（聚類的曲率閾值，可以直觀地將圓柱面等區別開）

　　2. 對應的代碼

ParameterReader pd(ParameterFilePath); pcl::RegionGrowing<PointT, pcl::Normal> reg; pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>); reg.setMinClusterSize(stoi(pd.getData("MinClusterSize"))); reg.setMaxClusterSize(stoi(pd.getData("MaxClusterSize"))); reg.setSearchMethod(tree); reg.setNumberOfNeighbours(stoi(pd.getData("NumberOfNeighbours"))); reg.setInputCloud(CloudFilter); reg.setInputNormals(Normals); reg.setSmoothnessThreshold(stod(pd.getData("SmoothnessThreshold")) / 180.0 * M_PI); reg.setCurvatureThreshold(stod(pd.getData("CurvatureThreshold"))); std::vector <pcl::PointIndices> clusters; reg.extract(clusters); /* wk 添加： 可視化調試 */ pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_segmented(new pcl::PointCloud<pcl::PointXYZRGB>()); cloud_segmented = reg.getColoredCloud(); pcl::visualization::CloudViewer viewer("Cluster viewer"); viewer.showCloud(cloud_segmented); while (!viewer.wasStopped()) { } /* wk 添加： 可視化調試 */

（4）SACSegmentation 利用RANSAC算法對平面點云進行分割并擬合

　　1. 參數：MaxIterations（最大迭代次數）,threshold（距離閾值，判斷點是否為當前擬合平面的內點，理論上該值越大平面越粗糙）

　　2. 代碼

/*RanSAC擬合平面，并將平面內點分割出來*/pcl::SACSegmentation<PointT> seg; pcl::PointIndices::Ptr inliers(new pcl::PointIndices); pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients); seg.setOptimizeCoefficients(true); seg.setModelType(pcl::SACMODEL_PLANE); seg.setMethodType(pcl::SAC_RANSAC); seg.setMaxIterations(stoi(pd.getData("Maxci"))); seg.setDistanceThreshold(stod(pd.getData("threshold"))); seg.setInputCloud(cloud); seg.segment(*inliers, *coefficients);// 分割內點，另存 pcl::ExtractIndices<PointT> extract; PointCloudPtr cloud_plane(new pointCloud); extract.setInputCloud(cloud); extract.setIndices(inliers); extract.setNegative(false); extract.filter(*cloud_plane);

??3 部分效果圖展示

（1）原圖

?

（2）RegionGrowing分割效果圖

?4 算法的局限性

　　區域生長算法分割平面步驟及問題分析：針對分辨率低、掃描質量比較差的點云，如圖所示，算法無法將破碎、扭曲的大塊區域識別為平面區域，只能將這部分點判斷為非平面點集舍棄掉。

　　　　　　　　

　　區域生長算法通常在分割細節處比較平滑的平面點云時，具有相當的優勢。但是在處理“波紋”狀點云時，就沒什么優勢了。而實際掃描點云的細節部位很多時候是如上圖所示的，為了將曲率較小的曲面區別開，而調低平滑及曲率閾值時，這類從大視角上看明顯是平面的點云會被rejected，從而導致分割失效。如下圖所示，RegionGrowing更適合處理接近理想點云的這類點云，而不適合處理波動起伏狀的、掃描精度較差的點云。

　　　　　　　　　

?

轉載于:https://www.cnblogs.com/ghjnwk/p/10178975.html

總結

以上是生活随笔為你收集整理的29 基于PCL的点云平面分割拟合算法技术路线（针对有噪声的点云数据）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。