【PCL】教程 implicit_shape_model.cpp 3D点云数据的对象识别 利用隐式形状模型进行训练和识别...

2024-04-22 09:28
文章标签 进行 数据 训练 教程 模型 对象 3d model pcl 识别 隐式 点云 形状 shape cpp implicit

本文主要是介绍【PCL】教程 implicit_shape_model.cpp 3D点云数据的对象识别 利用隐式形状模型进行训练和识别...，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

6415877795f1f5d4540772f4ed252b20.png

ism_test_cat.pcd

a47db2d580c13a227bf90e25040898da.png

参数：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

这里红点表示对应感兴趣类别的对象预测中心

./ism_test 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
./ism_test 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_horse.pcd 1

这段代码是一个使用PCL（Point Cloud Library）的C++程序，用于3D点云数据的识别训练和测试。程序的流程可以分为几个主要步骤：

  1. 参数检查：程序首先检查传入的参数数量，确保至少有一个训练云和一个测试云，每个云都需要有一个类别ID。

  2. 训练数据准备：

  • 使用pcl::NormalEstimation为每个训练点云计算法线。

  • 读取训练点云文件，计算法线，然后将点云、法线以及类别ID分别存储。

特征提取：接着，使用pcl::FPFHEstimation为每个点计算FPFH（Fast Point Feature Histograms）特征。

隐式形状模型训练：之后，使用pcl::ism::ImplicitShapeModelEstimation完成隐式形状模型的训练。这个过程中，将使用到上一步骤计算得到的特征，同时输入训练用的点云数据、法线以及类别ID。

模型保存与加载：训练得到的模型将保存到文件中，可以在后续进行加载和使用。

测试数据处理：与训练数据类似，为测试数据云计算法线。

对象识别：利用训练好的模型，对测试数据进行对象识别。识别的过程中会生成一个投票列表，通过算法找出最强的峰值。

可视化：为测试点云着色，将识别的对象标记为不同的颜色，并使用pcl::visualization::CloudViewer显示结果。

整体而言，这段代码主要实现了使用PCL库进行3D点云数据的对象识别，包括数据准备、特征提取、模型训练、对象识别以及结果可视化等步骤。通过计算点云的法线和FPFH特征，利用隐式形状模型进行训练和识别，最终在视窗中显示带有识别结果的点云，以不同颜色区分识别出的对象和背景点云。这个程序适用于需要对3D点云进行对象分类和识别的场景。

#include <iostream> // 包含标准输入输出流库
#include <pcl/io/pcd_io.h> // 包含处理PCD（点云数据）文件输入输出操作的库
#include <pcl/features/normal_3d.h> // 包含计算点云法线特征的库
#include <pcl/features/feature.h> // 包含处理点云特征的基本方法的库
#include <pcl/visualization/cloud_viewer.h> // 包含点云可视化的库
#include <pcl/features/fpfh.h> // 包含计算FPFH（快速点特征直方图）特征的库
#include <pcl/features/impl/fpfh.hpp> // 包含FPFH特征实现的库
#include <pcl/recognition/implicit_shape_model.h> // 包含隐式形状模型（ISM）识别算法的库
#include <pcl/recognition/impl/implicit_shape_model.hpp> // 包含隐式形状模型实现的库int main (int argc, char** argv)
{if (argc < 5 || argc % 2 == 0) // 判断命令行参数数量是否正确return (-1);unsigned int number_of_training_clouds = (argc - 3) / 2; // 计算训练云的数量pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> normal_estimator; // 法线估计器的初始化normal_estimator.setRadiusSearch (25.0); // 设置搜索半径std::vector<pcl::PointCloud<pcl::PointXYZ>::Ptr> training_clouds; // 用于存储训练用的点云数据std::vector<pcl::PointCloud<pcl::Normal>::Ptr> training_normals; // 用于存储训练数据对应的法线信息std::vector<unsigned int> training_classes; // 用于存储训练数据对应的类别IDfor (unsigned int i_cloud = 0; i_cloud < number_of_training_clouds - 1; i_cloud++){pcl::PointCloud<pcl::PointXYZ>::Ptr tr_cloud(new pcl::PointCloud<pcl::PointXYZ> ());if ( pcl::io::loadPCDFile <pcl::PointXYZ> (argv[i_cloud * 2 + 1], *tr_cloud) == -1 ) // 加载训练用的点云文件return (-1);pcl::PointCloud<pcl::Normal>::Ptr tr_normals (new pcl::PointCloud<pcl::Normal>); // 法线信息的容器normal_estimator.setInputCloud (tr_cloud); // 设置输入的点云为上述加载的点云normal_estimator.compute (*tr_normals); // 计算法线信息unsigned int tr_class = static_cast<unsigned int> (strtol (argv[i_cloud * 2 + 2], 0, 10)); // 从命令行参数中获取对应的类别IDtraining_clouds.push_back (tr_cloud); // 将点云数据存入训练集容器training_normals.push_back (tr_normals); // 将法线信息存入训练集容器training_classes.push_back (tr_class); // 将类别ID存入训练集容器}pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153> >::Ptr fpfh(new pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153> >); // 初始化FPFH特征估计器fpfh->setRadiusSearch (30.0); // 设置FPFH的搜索半径pcl::Feature< pcl::PointXYZ, pcl::Histogram<153> >::Ptr feature_estimator(fpfh); // 特征估计器的初始化pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal> ism; // 初始化隐式形状模型估计器ism.setFeatureEstimator(feature_estimator); // 设置特征估计器ism.setTrainingClouds (training_clouds); // 设置训练用的点云数据ism.setTrainingNormals (training_normals); // 设置训练用的法线信息ism.setTrainingClasses (training_classes); // 设置训练用的类别IDism.setSamplingSize (2.0f); // 设置采样大小pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal>::ISMModelPtr model (new pcl::features::ISMModel); // 初始化ISM模型ism.trainISM (model); // 训练ISM模型std::string file ("trained_ism_model.txt"); // 指定模型保存的文件名model->saveModelToFile (file); // 保存模型到文件model->loadModelFromfile (file); // 从文件加载模型unsigned int testing_class = static_cast<unsigned int> (strtol (argv[argc - 1], 0, 10)); // 获取测试数据的类别IDpcl::PointCloud<pcl::PointXYZ>::Ptr testing_cloud (new pcl::PointCloud<pcl::PointXYZ> ());if ( pcl::io::loadPCDFile <pcl::PointXYZ> (argv[argc - 2], *testing_cloud) == -1 ) // 加载测试用的点云文件return (-1);pcl::PointCloud<pcl::Normal>::Ptr testing_normals (new pcl::PointCloud<pcl::Normal>); // 初始化存储测试数据法线信息的容器normal_estimator.setInputCloud (testing_cloud); // 设置输入的点云为测试点云normal_estimator.compute (*testing_normals); // 计算法线信息pcl::features::ISMVoteList<pcl::PointXYZ>::Ptr vote_list = ism.findObjects (model,testing_cloud,testing_normals,testing_class); // 使用训练好的ISM模型进行物体识别double radius = model->sigmas_[testing_class] * 10.0; // 根据类别ID计算搜索半径double sigma = model->sigmas_[testing_class]; // 获取当前类别的标准差std::vector<pcl::ISMPeak, Eigen::aligned_allocator<pcl::ISMPeak> > strongest_peaks; // 初始化存储搜索到的最强峰值的容器vote_list->findStrongestPeaks (strongest_peaks, testing_class, radius, sigma); // 搜索最强峰值pcl::PointCloud <pcl::PointXYZRGB>::Ptr colored_cloud (new pcl::PointCloud<pcl::PointXYZRGB>); // 初始化用于可视化的有色云colored_cloud->height = 0;colored_cloud->width = 1;pcl::PointXYZRGB point; // 初始化绘制点的颜色为白色point.r = 255;point.g = 255;point.b = 255;for (std::size_t i_point = 0; i_point < testing_cloud->size (); i_point++) // 遍历测试数据的点{point.x = (*testing_cloud)[i_point].x; // 设置点的坐标point.y = (*testing_cloud)[i_point].y;point.z = (*testing_cloud)[i_point].z;colored_cloud->points.push_back (point); // 将点添加到有色云中}colored_cloud->height += testing_cloud->size (); // 更新有色云的高度point.r = 255; // 设置最强峰值点的颜色为红色point.g = 0;point.b = 0;for (std::size_t i_vote = 0; i_vote < strongest_peaks.size (); i_vote++) // 遍历所有最强峰值点{point.x = strongest_peaks[i_vote].x; // 设置点的坐标point.y = strongest_peaks[i_vote].y;point.z = strongest_peaks[i_vote].z;colored_cloud->points.push_back (point); // 将点添加到有色云中}colored_cloud->height += strongest_peaks.size (); // 更新有色云的高度//strongest_peaks.size ()==1; pcl::visualization::CloudViewer viewer ("Result viewer"); // 初始化云查看器viewer.showCloud (colored_cloud); // 在查看器中显示有色云while (!viewer.wasStopped ()) // 持续显示直到用户关闭查看器{}return (0); // 程序正常结束
}

这段代码是一个使用PCL（Point Cloud Library）和隐式形状模型（ISM）进行点云识别的程序。主要实现了以下功能：

  1. 加载训练和测试数据的点云文件。

  2. 计算点云的法线信息。

  3. 使用FPFH算法进行特征估计。

  4. 利用隐式形状模型对训练数据进行训练，并保存模型。

  5. 从文件加载训练好的模型。

  6. 使用加载的模型对测试数据进行识别。

  7. 根据识别结果，将识别到的对象在点云中标出，并通过可视化显示结果。

此代码片段适用于需要进行物体识别和分类的场合，特别是在利用3D点云数据进行机器人视觉或智能制造等领域。

pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal>normal_estimator

d770c74ac8ed5368000eba5c75d49ca3.png

e7523540e0635826d4407b8c0ea951b3.png

pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::Histogram<153>>::Ptr fpfh(new pcl::FPFHEstimation<pcl::PointXYZ,pcl::Normal,pcl::Histogram<153>>);

dd6b416cf5822f1090f9f5c86a1a61f7.png

pcl::Feature<pcl::PointXYZ, pcl::Histogram<153>>::Ptrfeature_estimator(fpfh); // 特征估计器的初始化

cf8b41f741482bcc2d328ca2207b1c19.png

pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal>ism;

f3b3b73dbd61df224176fc635f4ea0e2.png

pcl::ism::ImplicitShapeModelEstimation<153, pcl::PointXYZ, pcl::Normal>::ISMModelPtrmodel(new pcl::features::ISMModel);

6a5c27c78200de01dfe12ebdd944aff0.png

pcl::features::ISMVoteList<pcl::PointXYZ>::Ptr vote_list =ism.findObjects(model,testing_cloud,testing_normals,testing_class);

e1777bf76a6a682f5dd853940bd330ff.png

vote_list->findStrongestPeaks(strongest_peaks, testing_class, radius, sigma);

9eaca1046b8aed54b3b9d18f62a96a0a.png

参考网址

隐式形状模型 —— 点云库 0.0 文档 --- Implicit Shape Model — Point Cloud Library 0.0 documentation (pcl.readthedocs.io) https://pcl.readthedocs.io/projects/tutorials/en/latest/implicit_shape_model.html#compiling-and-running-the-program

这篇关于【PCL】教程 implicit_shape_model.cpp 3D点云数据的对象识别 利用隐式形状模型进行训练和识别...的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/925399。

相关文章

SQL Server修改数据库名及物理数据文件名操作步骤

SQL Server修改数据库名及物理数据文件名操作步骤

《SQLServer修改数据库名及物理数据文件名操作步骤》在SQLServer中重命名数据库是一个常见的操作,但需要确保用户具有足够的权限来执行此操作,：本文主要介绍SQLServer修改数据... 目录一、背景介绍二、操作步骤2.1 设置为单用户模式（断开连接）2.2 修改数据库名称2.3 查找逻辑文件名
阅读更多...
canal实现mysql数据同步的详细过程

canal实现mysql数据同步的详细过程

《canal实现mysql数据同步的详细过程》：本文主要介绍canal实现mysql数据同步的详细过程,本文通过实例图文相结合给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的... 目录1、canal下载2、mysql同步用户创建和授权3、canal admin安装和启动4、canal
阅读更多...
Nexus安装和启动的实现教程

Nexus安装和启动的实现教程

《Nexus安装和启动的实现教程》：本文主要介绍Nexus安装和启动的实现教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、Nexus下载二、Nexus安装和启动三、关闭Nexus总结一、Nexus下载官方下载链接：DownloadWindows系统根
阅读更多...
MySQL JSON 查询中的对象与数组技巧及查询示例

MySQL JSON 查询中的对象与数组技巧及查询示例

《MySQLJSON查询中的对象与数组技巧及查询示例》MySQL中JSON对象和JSON数组查询的详细介绍及带有WHERE条件的查询示例,本文给大家介绍的非常详细,mysqljson查询示例相关知... 目录jsON 对象查询1. JSON_CONTAINS2. JSON_EXTRACT3. JSON_TA
阅读更多...
Python基于微信OCR引擎实现高效图片文字识别

Python基于微信OCR引擎实现高效图片文字识别

《Python基于微信OCR引擎实现高效图片文字识别》这篇文章主要为大家详细介绍了一款基于微信OCR引擎的图片文字识别桌面应用开发全过程,可以实现从图片拖拽识别到文字提取,感兴趣的小伙伴可以跟随小编一... 目录一、项目概述1.1 开发背景1.2 技术选型1.3 核心优势二、功能详解2.1 核心功能模块2.
阅读更多...
使用SpringBoot整合Sharding Sphere实现数据脱敏的示例

使用SpringBoot整合Sharding Sphere实现数据脱敏的示例

《使用SpringBoot整合ShardingSphere实现数据脱敏的示例》ApacheShardingSphere数据脱敏模块,通过SQL拦截与改写实现敏感信息加密存储,解决手动处理繁琐及系统改... 目录痛点一：痛点二：脱敏配置Quick Start——Spring 显示配置：1.引入依赖2.创建脱敏
阅读更多...
C#之List集合去重复对象的实现方法

C#之List集合去重复对象的实现方法

《C#之List集合去重复对象的实现方法》：本文主要介绍C#之List集合去重复对象的实现方法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C# List集合去重复对象方法1、测试数据2、测试数据3、知识点补充总结C# List集合去重复对象方法1、测试数据
阅读更多...
CnPlugin是PL/SQL Developer工具插件使用教程

CnPlugin是PL/SQL Developer工具插件使用教程

《CnPlugin是PL/SQLDeveloper工具插件使用教程》：本文主要介绍CnPlugin是PL/SQLDeveloper工具插件使用教程,具有很好的参考价值,希望对大家有所帮助,如有错... 目录PL/SQL Developer工具插件使用安装拷贝文件配置总结PL/SQL Developer工具插
阅读更多...
Linux使用scp进行远程目录文件复制的详细步骤和示例

Linux使用scp进行远程目录文件复制的详细步骤和示例

《Linux使用scp进行远程目录文件复制的详细步骤和示例》在Linux系统中,scp（安全复制协议）是一个使用SSH（安全外壳协议）进行文件和目录安全传输的命令,它允许在远程主机之间复制文件和目录,... 目录1. 什么是scp？2. 语法3. 示例示例 1: 复制本地目录到远程主机示例 2: 复制远程主
阅读更多...
详解如何使用Python构建从数据到文档的自动化工作流

详解如何使用Python构建从数据到文档的自动化工作流

《详解如何使用Python构建从数据到文档的自动化工作流》这篇文章将通过真实工作场景拆解,为大家展示如何用Python构建自动化工作流,让工具代替人力完成这些数字苦力活,感兴趣的小伙伴可以跟随小编一起... 目录一、Excel处理：从数据搬运工到智能分析师二、PDF处理：文档工厂的智能生产线三、邮件自动化：
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2