0. 简介

最近在看PCL滤波配准等操作，之前在自动驾驶-激光雷达预处理/特征提取和提到了一些滤除点云等操作，但是最近作者发现里面还有一些配准的方法还没有提到，所以这里重新开个章节来给大家列举一些常用的滤波方式，方便大家查阅和使用

1. 滤波&聚类

1.1 直通滤波器

void pass_through_filter(const pcl::PointCloud<pcl::PointXYZRGB>::Ptr &input_cloud) //直通滤波器
    {
        std::cout << "start pass_through_filter" << std::endl;
        calc_sight_center(); //计算视点中心,视点中心为滤波器的输入参数
        // void ex_segmentor::calc_sight_center()
        // {
        // double roll, pitch, yaw;
        // tf::Quaternion quat_tmp;

        // tf::quaternionMsgToTF(latest_camera_pos_.pose.pose.orientation, quat_tmp);
        // tf::Matrix3x3(quat_tmp).getRPY(roll, pitch, yaw);

        // centerX_ = latest_camera_pos_.pose.pose.position.x + gaze_length_ * cos(yaw);
        // centerY_ = latest_camera_pos_.pose.pose.position.y + gaze_length_ * sin(yaw);
        // centerZ_ = latest_camera_pos_.pose.pose.position.z - gaze_length_ * sin(pitch);
        // }
        // build the condition
        pcl::ConditionAnd<pcl::PointXYZRGB>::Ptr range_limit(new pcl::ConditionAnd<pcl::PointXYZRGB>);                                                                         //构建范围限制条件
        range_limit->addComparison(pcl::FieldComparison<pcl::PointXYZRGB>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZRGB>("x", pcl::ComparisonOps::GT, centerX_ - 1.5))); // x坐标大于视点中心x坐标-1.5
        range_limit->addComparison(pcl::FieldComparison<pcl::PointXYZRGB>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZRGB>("x", pcl::ComparisonOps::LT, centerX_ + 1.5))); // x坐标小于视点中心x坐标+1.5
        range_limit->addComparison(pcl::FieldComparison<pcl::PointXYZRGB>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZRGB>("y", pcl::ComparisonOps::GT, centerY_ - 1.5))); // y坐标大于视点中心y坐标-1.5
        range_limit->addComparison(pcl::FieldComparison<pcl::PointXYZRGB>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZRGB>("y", pcl::ComparisonOps::LT, centerY_ + 1.5))); // y坐标小于视点中心y坐标+1.5
        range_limit->addComparison(pcl::FieldComparison<pcl::PointXYZRGB>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZRGB>("z", pcl::ComparisonOps::GT, centerZ_ - 1.5))); // z坐标大于视点中心z坐标-1.5
        range_limit->addComparison(pcl::FieldComparison<pcl::PointXYZRGB>::ConstPtr(new pcl::FieldComparison<pcl::PointXYZRGB>("z", pcl::ComparisonOps::LT, centerZ_ + 1.5))); // z坐标小于视点中心z坐标+1.5

        //构建滤波器
        pcl::ConditionalRemoval<pcl::PointXYZRGB> condrem; //构建滤波器
        condrem.setCondition(range_limit);                 //设置滤波条件
        condrem.setInputCloud(input_cloud);                //设置输入点云

        //滤波操作
        condrem.filter(*input_cloud);
    }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

1.2 离群点滤波器

    void statical_outlier_filter(const pcl::PointCloud<PointXYZRGB>::Ptr &input_cloud, int nr_k, double stddev_mult) //滤波器移除离群点
    {
        pcl::StatisticalOutlierRemoval<PointXYZRGB> sorfilter(true); //构建滤波器
        sorfilter.setInputCloud(input_cloud);
        sorfilter.setMeanK(nr_k);                  //设置在进行统计时考虑的临近点个数
        sorfilter.setStddevMulThresh(stddev_mult); //设置判断是否为离群点的阀值，用来倍乘标准差，也就是上面的stddev_mult
        sorfilter.filter(*input_cloud);            //滤波结果存储到cloud_filtered
    }
1
2
3
4
5
6
7
8

1.3 体素化滤波器

    void voxel_filter(const pcl::PointCloud<PointXYZRGB>::Ptr &input_cloud, float resolution) //体素化滤波器
    {
        pcl::VoxelGrid<PointXYZRGB> voxel_grid; //构建体素化滤波器
        voxel_grid.setInputCloud(input_cloud);   //设置输入点云
        voxel_grid.setLeafSize(resolution, resolution, resolution); //设置体素的大小
        voxel_grid.filter(*input_cloud); //滤波结果存储到cloud_filtered
    }
1
2
3
4
5
6
7

1.4 平面点滤除

    bool remove_plane(const pcl::PointCloud<PointXYZRGB>::Ptr &input_cloud, const Eigen::Vector3f &axis, double plane_thickness) //移除平面
    {
        pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients); //平面参数矩阵
        pcl::PointIndices::Ptr inliers(new pcl::PointIndices);                //平面内点索引
        // Create the segmentation object
        pcl::SACSegmentation<pcl::PointXYZRGB> seg; //构建分割对象

        seg.setOptimizeCoefficients(true);                   //设置是否优化系数
        seg.setModelType(pcl::SACMODEL_PERPENDICULAR_PLANE); //设置模型类型为平面
        seg.setMethodType(pcl::SAC_RANSAC);                  //设置分割方法为RANSAC
        seg.setMaxIterations(500);                           //设置最大迭代次数
        seg.setAxis(axis);                                   //设置分割轴
        seg.setEpsAngle(0.25);                               //设置角度阈值
        seg.setDistanceThreshold(plane_thickness);           //设置距离阈值  0.025 0.018
        seg.setInputCloud(input_cloud);                      //设置输入点云
        seg.segment(*inliers, *coefficients);                //分割平面

        if (inliers->indices.size() < 500)
        {
            // ROS_INFO("plane size is not enough large to remove.");
            return false;
        }
        pcl::ExtractIndices<pcl::PointXYZRGB> extract;
        extract.setInputCloud(input_cloud); //设置输入点云
        extract.setIndices(inliers);        //设置索引,用来滤除
        extract.setNegative(true);          //设置是否滤除索引内的点
        extract.filter(*input_cloud);

        return true;
    }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1.5 RGBD颜色特征聚类

    void clustoring_with_color(pcl::PointCloud<pcl::PointXYZRGB>::Ptr &input_cloud, std::vector<pcl::PointCloud<PointXYZRGB>::Ptr> &clusters, int min_cluster_size, float distance_th, float color_th, float region_color_th, unsigned int num_nbr) //根据点云的颜色完成聚类
    {
        std::vector<pcl::PointIndices> clusters_indices;                                              //聚类索引
        pcl::search::KdTree<pcl::PointXYZRGB>::Ptr kdtree(new pcl::search::KdTree<pcl::PointXYZRGB>); //构建kd树
        kdtree->setInputCloud(input_cloud);                                                           //设置输入点云
        // 基于颜色的区域生长聚类对象
        pcl::RegionGrowingRGB<pcl::PointXYZRGB> clustering;
        clustering.setInputCloud(input_cloud);
        clustering.setSearchMethod(kdtree); //设置搜索方法
        // 这里，最小簇大小也会影响后处理步骤: 小于这个值的clusters_indices将与邻点合并。
        clustering.setMinClusterSize(min_cluster_size); //设置最小簇大小
        // 设置距离阈值，以知道哪些点将被视为，邻点
        clustering.setDistanceThreshold(distance_th); // 1
        // 颜色阈值，用于比较两个点的RGB颜色
        clustering.setPointColorThreshold(color_th); // 9 6.5 25.0f 18.0f
        // 后处理步骤的区域颜色阈值:颜色在阈值内的clusters_indices将合并为一个。
        clustering.setRegionColorThreshold(region_color_th); // 2
        //区域耦合时检查的附近的数量。 默认为100， 在不影响结果的范围内适度设定小范围。
        clustering.setNumberOfRegionNeighbours(num_nbr); //设置近邻数量

        // clustering.setSmoothModeFlag(true);
        // clustering.setSmoothnessThreshold(0.95);

        clustering.extract(clusters_indices); //提取聚类索引

        for (std::vector<pcl::PointIndices>::const_iterator i = clusters_indices.begin(); i != clusters_indices.end(); ++i)//遍历聚类索引
        {
            pcl::PointCloud<pcl::PointXYZRGB>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZRGB>); //构建聚类点云
            for (std::vector<int>::const_iterator pit = i->indices.begin(); pit != i->indices.end(); ++pit) //遍历聚类索引中的点索引
            {
                cluster->points.push_back(input_cloud->points[*pit]); //将点添加到聚类点云
            }
            cluster->width = cluster->points.size();
            cluster->height = 1;
            cluster->is_dense = true;
            clusters.push_back(cluster); //将聚类点云添加到聚类点云集合中
        }
    }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

2. 匹配器

2.1 ICP点云精配准

…详情请参照古月居