目的利用PCL处理点云数据，从点云数据中提取点云数据并可视化。 　　

　　

　　经过处理的点云的原始视觉图像和最终渲染： 　　

　　

　　原始图纸 　　

　　

　　治疗后： 　　

　　

　　治疗后 　　

　　

　　处理概述：首先，由于点云数据中的点数量较多，做一些处理需要花费大量的时间，所以第一步是利用体素滤波实现降采样，即在保持点云原有形状的基础上减少点和点云数据的数量，以提高后期点云的处理速度。用随机采样一致性(以前常用)划分地面，将地面从点云中分离出来。此时，地面上的物体是悬浮的。移除地面后，地面上的所有物体都是悬浮的。此时，使用统计滤波来消除离散点。物体悬浮后，会更好的分离。现在构建Kdtree，通过欧氏聚类提取路面上不同的物体，然后将车辆提取出来。实验上面的基本思路已经写出来了，下面就直接上代码。# include ostream # include PCL/point _ types . h # include PCL/filters/pass through . h # include PCL/filters/pixel _ grid . h # include PCL/io/PCD _ io . h # include PCL/visualization/cloud _ viewer . h # include PCL/filters/statistical _ outlier _ removal . h # include PCL/sample _ consensus/method _ types . h//参数估计方法头文件# include PCL/sample consensus/model _ types . h//模型定义Int (int argc，char * * argv){//点云对象PCL :3360 pointcloudpcl :3360 Point XYZ : ptr云(新PCL 33603360 pointcloudpcl :3360 Point XYZ)；//处理后的点云对象PCL :3360 pointcloudpcl :3360 point XYZ :3360 ptr cloud _ handle(new PCL : pointcloudpcl : point XYZ)；//从点云文件中读取点云数据PCL :3360 io : load PCD file(' d :/2 . PCD '，* cloud)；cloud_handle=云；/* *先用体素滤波降采样处理点云* @ brief SOR */PCL :3360 voxelgridpcl :3360点XYZ SOR；//创建过滤对象sor . setinputcloud(cloud)；//将要过滤的点云设置为过滤对象sor.setLeafSize (0.5，0.5，0.5)；//设置滤波时创建的体素的体积，单位为m，因为保持点云大致形状的方法是保持每个体素的中心点，所以体素体积越大，滤波后的点云就越多sor . filter(* cloud)；//进行滤波处理/* *平面分割分割地面*创建分割所需的模型系数对象，系数和点索引设置对象内联器* @ brief coefficients */PCL :33603360 ptr系数(新PCL33603360模型系数)；PCL : point indexes : ptr内联器(新PCL : point indexes)；PCL : sacsegmentationpcl : point XYZ seg；//创建分区对象seg . setoptimizecoefficients(true)；//可选配置，设置模型系数需要优化。//必要的配置，设置划分的模型类型，使用的随机参数估计方法，距离阈值，输入点云seg . set mode ltype(PCL :3360 SAC Model _ Plane)；//设置模型类型seg . setmethodtype(PCL :3360 sac _ ran sac)；//设置随机抽样 　　

一致性方法类型seg.setDistanceThreshold (1); //设定距离阀值，距离阀值决定了点被认为是局内点是必须满足的条件//表示点到估计模型的距离最大值seg.setInputCloud (cloud);//引发分割实现，存储分割结果到点几何inliers及存储平面模型的系数coefficientsseg.segment (*inliers, *coefficients);//创建点云提取对象，将处理后的点云提取出来pcl::ExtractIndices<pcl::PointXYZ> extract;extract.setInputCloud (cloud);extract.setIndices (inliers);extract.setNegative (true);extract.filter (*cloud);/**统计滤波去除离散点* @brief sta*/pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sta; //创建滤波器对象sta.setInputCloud (cloud); //设置待滤波的点云sta.setMeanK (2000); //设置在进行统计时考虑查询点临近点数sta.setStddevMulThresh (0.05); //设置判断是否为离群点的阀值,根据原理来说，阈值越小过滤掉的点就越多sta.filter (*cloud); //存储// 建立kd-tree对象用来搜索pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree(new pcl::search::KdTree<pcl::PointXYZ>);kdtree->setInputCloud(cloud);// Euclidean 聚类对象.pcl::EuclideanClusterExtraction<pcl::PointXYZ> clustering;// 设置聚类的最小值 4mclustering.setClusterTolerance(4);// 设置聚类的小点数和最大点云数clustering.setMinClusterSize(5000);//clustering.setMaxClusterSize(25000);//设置搜索方式clustering.setSearchMethod(kdtree);clustering.setInputCloud(cloud);std::vector<pcl::PointIndices> clusters;clustering.extract(clusters);//处理后保存的聚类是已降序排序的，所以第一个聚类就是我们想要的聚类long num = 0;int j = 0;for (std::vector<pcl::PointIndices>::const_iterator i = clusters.begin(); i != clusters.end();++i){//添加所有的点云到一个新的点云中pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)cluster->points.push_back(cloud->points<*point>);cluster->width = cluster->points.size();cluster->height = 1;cluster->is_dense = true;j++;qDebug()<<"编号"<<j<<"聚类点数量："<<cluster->points.size();}//获取最大聚类将所有点添加到新点云中std::vector<pcl::PointIndices>::const_iterator i = clusters.begin();pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)cluster->points.push_back(cloud->points<*point>);cluster->width = cluster->points.size();cluster->height = 1;cluster->is_dense = true;//处理后点云显示pcl::visualization::CloudViewer viewer("PCL滤波");viewer.showCloud(cluster);while (!viewer.wasStopped()){}return (0);}控制台输出结果：

　　

编号 1 聚类点数量： 20847 （装货机器旁边的货车）

　　

编号 2 聚类点数量： 10410 （装货机器）

　　

编号 3 聚类点数量： 7171 （后面显示不完整的或者）

　　

代码分解下面我们对上面的代码进行分解，为了更好地理解整个处理过程，也将对前面两篇文章未提及的知识进行拓展，尽量做到详细。

　　

//点云对象pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//从点云文件中读取点云数据pcl::io::loadPCDFile("d:/2.pcd", *cloud);首先是从磁盘中读取点云数据： 这里是从磁盘中读取点云数据到二进制存储块中。pcl::VoxelGrid<pcl::PointXYZ> sor; //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 (0.5, 0.5, 0.5); //设置滤波时创建的体素体积，单位m，因为保留点云大体形状的方式是保留每个体素的中心点，所以体素体积越大那么过滤掉的点云就越多sor.filter (*cloud); //执行滤波处理

　　

使用体素滤波向下采样处理点云，这一步是十分关键的，我们实际的处理的点云文件中的数据可能很多,过多的点云数量会对后续分割工作带来困难。体素滤波器可以达到向下采样同时不破坏点云本身几何结构的功能。它的具体原理是将三维点云划分为众多的体素（立方体），然后在每个体素内，用体素中所有点的重心来近似显示体素中其它点，这样该体素就内所有点就用一个重心点最终表示，这样使用体素滤波下采样处理过后的点云虽然点的数量减少的，但是点云的基本形状还保留。他的设置参数主要就是setLeafSize (0.5, 0.5, 0.5); 参数单位都是m，分别代表体素的长宽高。下采样的程度就是通过这三个参数来设置的，很好理解，就是体素体积越大那么保留的点就会越少。

　　

　　

　　

pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);pcl::PointIndices::Ptr inliers (new pcl::PointIndices);pcl::SACSegmentation<pcl::PointXYZ> seg; // 创建分割对象seg.setOptimizeCoefficients (true); // 可选择配置，设置模型系数需要优化// 必要的配置，设置分割的模型类型，所用的随机参数估计方法，距离阀值，输入点云seg.setModelType (pcl::SACMODEL_PLANE); //设置模型类型seg.setMethodType (pcl::SAC_RANSAC); //设置随机采样一致性方法类型seg.setDistanceThreshold (5); //设定距离阀值，距离阀值决定了点被认为是局内点是必须满足的条件//表示点到估计模型的距离最大值seg.setInputCloud (cloud);//引发分割实现，存储分割结果到点几何inliers及存储平面模型的系数coefficientsseg.segment (*inliers, *coefficients);//创建点云提取对象，将处理后的点云提取出来pcl::ExtractIndices<pcl::PointXYZ> extract;extract.setInputCloud (cloud);extract.setIndices (inliers);extract.setNegative (true);extract.filter (*cloud);平面分割，分割出地面，使货车等物体悬空，这样就方便后面提取聚类的操作。这里有三个必要的参数设置，一个是设置模型类型setModelType (pcl::SACMODEL_PLANE);这里设置的是平面类型，还有个是setMethodType (pcl::SAC_RANSAC)设置随机采样一致性方法类型，这里选择的是Ransac，它是基于Ransac的来做平面拟合的。具体原理是通过改变平面模型（ax+by+cz+d=0）的参数：a, b, c和d，找出哪一组的参数能使得这个模型一定程度上拟合最多的点。这个程度就是由第三个方法来设置的setDistanceThreshold (1)即distance threshold这个参数来设置。那找到这组参数后，这些能够被拟合的点就是平面的点。distance threshold就是平面模型分割的阈值，可以等同于平面厚度阈值，如果阈值设置过大那么平面上的其他物体也将被分割。

　　

　　

　　

　　

pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sta; //创建滤波器对象sta.setInputCloud (cloud); //设置待滤波的点云sta.setMeanK (2000); //设置在进行统计时考虑查询点临近点数sta.setStddevMulThresh (0.05); //设置判断是否为离群点的阀值,根据原理来说，阈值越小过滤掉的点就越多sta.filter (*cloud); //存储统计滤波去除离散点，在上篇总结中将去除离散点的操作放在了第二步，后来想想这是不对的，因为分离地面之后地面上的物体悬空，这时候将会有很多无用离散点，所以在分离地面之后也要使用一下统计滤波，那第二步使用的统计滤波就显得多余了。统计滤波的原理是计算每个点到其最近的k个点平均距离（假设得到的结果是一个高斯分布，其形状是由均值和标准差决定），那么平均距离在标准范围之外的点，可以被定义为离群点并从数据中去除。这里有两个重要的参数临近点数k和距离阈值d，阈值单位为m，设置方法分别为setMeanK (2000)、setStddevMulThresh (0.05)。

　　

　　

　　

// 建立kd-tree对象用来搜索pcl::search::KdTree<pcl::PointXYZ>::Ptr kdtree(new pcl::search::KdTree<pcl::PointXYZ>);kdtree->setInputCloud(cloud);// Euclidean 聚类对象.pcl::EuclideanClusterExtraction<pcl::PointXYZ> clustering;// 设置聚类的最小值 4mclustering.setClusterTolerance(3);// 设置聚类的小点数和最大点云数clustering.setMinClusterSize(5000);//clustering.setMaxClusterSize(25000);//设置搜索方式clustering.setSearchMethod(kdtree);clustering.setInputCloud(cloud);std::vector<pcl::PointIndices> clusters;clustering.extract(clusters);目前地面上的物体目前已经悬空了，现在就使用欧几里得聚类提取将物体提取出来。这个算法通俗来讲就是先从点云中找出一个点p0，然后寻找p0周围最近的n个点，如果这n个点与p0之间的距离小于预先设定的阈值，那么就把这个点取出，依次重复。setClusterTolerance(3);setMinClusterSize(5000);setMaxClusterSize(25000)；

　　

这三个方法分别设置阈值、聚类的最小点数和聚类的最大点数，其中阈值是指搜索半径，对于搜索半径我的理解是一个聚类的最小半径，不能太大也不能太小，太大了就会将多个聚类变成一个当做聚类，太小的就会将一个聚类分割为多个聚类，这里设置的是3m，差不多应该就是半挂车的宽度（不知道理解是否正确，实验结果是太小了就会将货车分割为多个聚类，太大了就会把旁边的设备包含到一个聚类）。

　　

在这里其实还要引入一个知识点，那就是kd―tree。Kd-tree又称为k维树，是一种数据结构，本质上就是一种带有约束条件的二分查找树，使用kd-tree的目的其实就是将点云中的离散点建立拓扑关系，实现基于邻域关系的快速查找，加快欧几里得聚类提取的搜索速度。

　　

//处理后保存的聚类是已降序排序的，所以第一个聚类就是我们想要的聚类int j = 0;for (std::vector<pcl::PointIndices>::const_iterator i = clusters.begin(); i != clusters.end();++i){//添加所有的点云到一个新的点云中pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)cluster->points.push_back(cloud->points<*point>);cluster->width = cluster->points.size();cluster->height = 1;cluster->is_dense = true;j++;qDebug()<<"编号"<<j<<"聚类点数量："<<cluster->points.size();}提取聚类之后将点云索引结果存到了clusters 中，想要从中提取点云聚类就需要迭代clusters，这里目的是在控制台打印分割出的聚类结果。

　　

//获取最大聚类将所有点添加到新点云中std::vector<pcl::PointIndices>::const_iterator i = clusters.begin();pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);for (std::vector<int>::const_iterator point = i->indices.begin(); point != i->indices.end(); point++)cluster->points.push_back(cloud->points<*point>);cluster->width = cluster->points.size();cluster->height = 1;cluster->is_dense = true;我们要找的其实就是最大的那个聚类，因为火车就是最大的，离散点最多的，并且索引结果也是降序排序的，所以第一个就是我们想要的结果。

　　

　　

//处理后点云显示pcl::visualization::CloudViewer viewer("PCL滤波");viewer.showCloud(cluster);while (!viewer.wasStopped()){}点云显示，这里就不做解释了。