使用矩阵变换点云

Posted 2021-11-05 一捧蒹葭为秋

尝试用4*4矩阵变换点云，将对加载的点云应用旋转和平移，并显示原始和变换后的点云。

1、首先，创建cpp文件，命名为matrix_transform.cpp并将如下代码放入其中：

#include <iostream>

#include <pcl/io/pcd_io.h>
#include <pcl/io/ply_io.h>
#include <pcl/point_cloud.h>
#include <pcl/console/parse.h>
#include <pcl/common/transforms.h>　　　　//使用pcl::transformPointCloud函数
#include <pcl/visualization/pcl_visualizer.h>

// This function displays the help
void　　　　　　　　　　　　　　//若用户未提供预期参数，此函数将显示帮助
showHelp(char * program_name)
{
std::cout << std::endl;
std::cout << "Usage: " << program_name << " cloud_filename.[pcd|ply]" << std::endl;
std::cout << "-h: Show this help." << std::endl;
}

// This is the main function
int
main (int argc, char** argv)
{

// Show help
if (pcl::console::find_switch (argc, argv, "-h") || pcl::console::find_switch (argc, argv, "--help")) {　　　　//若输入cpp文件名加-h或--help将打印帮助信息
showHelp (argv[0]);
return 0;
}

// Fetch point cloud filename in arguments | Works with PCD and PLY files
std::vector<int> filenames;
bool file_is_pcd = false;

filenames = pcl::console::parse_file_extension_argument (argc, argv, ".ply");　　//读取参数扩展名

if (filenames.size () != 1) {　　//表示读取的扩展名不是 .ply文件，立刻运行读取 .pcd文件
filenames = pcl::console::parse_file_extension_argument (argc, argv, ".pcd");

if (filenames.size () != 1) {　　　　//判断读取的是否为pcd文件，若不是，将显示help信息
showHelp (argv[0]);
return -1;　　　　//终止程序
} else {
file_is_pcd = true;
}
}

// Load file | Works with PCD and PLY files
pcl::PointCloud<pcl::PointXYZ>::Ptr source_cloud (new pcl::PointCloud<pcl::PointXYZ> ());　　//定义一个PointXYZ类型的点云指针，名称为source_cloud，并分配内存

if (file_is_pcd) {
if (pcl::io::loadPCDFile (argv[filenames[0]], *source_cloud) < 0) {　　//将对应文件名的点云存储到source_cloud中，并判断返回值是否小于0
std::cout << "Error loading point cloud " << argv[filenames[0]] << std::endl << std::endl;　　//若小于0将报错，显示帮助并退出
showHelp (argv[0]);
return -1;
}
} else {
if (pcl::io::loadPLYFile (argv[filenames[0]], *source_cloud) < 0) {　　//ply也是同样的道理
std::cout << "Error loading point cloud " << argv[filenames[0]] << std::endl << std::endl;
showHelp (argv[0]);
return -1;
}
}

/* Reminder: how transformation matrices work :

|-------> This column is the translation
| 1 0 0 x | \\
| 0 1 0 y | }-> The identity 3x3 matrix (no rotation) on the left　　//左上角的3*3矩阵为旋转矩阵，最后一列的前三行为平移
| 0 0 1 z | /
| 0 0 0 1 | -> We do not use this line (and it has to stay 0,0,0,1)

METHOD #1: Using a Matrix4f
This is the "manual" method, perfect to understand but error prone !
*/
Eigen::Matrix4f transform_1 = Eigen::Matrix4f::Identity();　　//初始化一4*4单位阵，名为transform_1，即调用Eigen库中的Matrix4f（4阶float类型）

// Define a rotation matrix (see https://en.wikipedia.org/wiki/Rotation_matrix)
float theta = M_PI/4; // The angle of rotation in radians　　//定义了Π/4的旋转角度
transform_1 (0,0) = std::cos (theta);
transform_1 (0,1) = -sin(theta);
transform_1 (1,0) = sin (theta);
transform_1 (1,1) = std::cos (theta);
// (row, column)

// Define a translation of 2.5 meters on the x axis.
transform_1 (0,3) = 2.5;　　//也就是对X轴平移2.5个单位

// Print the transformation
printf ("Method #1: using a Matrix4f\\n");
std::cout << transform_1 << std::endl;

/* METHOD #2: Using a Affine3f
This method is easier and less error prone
*/
Eigen::Affine3f transform_2 = Eigen::Affine3f::Identity();　　//定义一个3阶float类型仿射变换矩阵（单位阵）

// Define a translation of 2.5 meters on the x axis.
transform_2.translation() << 2.5, 0.0, 0.0;　　//X轴正向平移2.5

// The same rotation matrix as before; theta radians around Z axis
transform_2.rotate (Eigen::AngleAxisf (theta, Eigen::Vector3f::UnitZ()));　　//同时绕Z轴旋转theta

// Print the transformation
printf ("\\nMethod #2: using an Affine3f\\n");
std::cout << transform_2.matrix() << std::endl;

// Executing the transformation
pcl::PointCloud<pcl::PointXYZ>::Ptr transformed_cloud (new pcl::PointCloud<pcl::PointXYZ> ());　　//定义一个PointXYZ类型的点云指针，名称为transformed_cloud
// You can either apply transform_1 or transform_2; they are the same
pcl::transformPointCloud (*source_cloud, *transformed_cloud, transform_2);　　//使用 transform_2将原点云转化到transformed_cloud中

// Visualization
printf( "\\nPoint cloud colors : white = original point cloud\\n"
" red = transformed point cloud\\n");
pcl::visualization::PCLVisualizer viewer ("Matrix transformation example");

// Define R,G,B colors for the point cloud
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> source_cloud_color_handler (source_cloud, 255, 255, 255);　　//也就是白色
// We add the point cloud to the viewer and pass the color handler
viewer.addPointCloud (source_cloud, source_cloud_color_handler, "original_cloud");

pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> transformed_cloud_color_handler (transformed_cloud, 230, 20, 20); // 红色
viewer.addPointCloud (transformed_cloud, transformed_cloud_color_handler, "transformed_cloud");

viewer.addCoordinateSystem (1.0, "cloud", 0);　　//添加坐标系轴长为1
viewer.setBackgroundColor(0.05, 0.05, 0.05, 0); 　　// 设置背景色为暗灰色，0指不透明度
viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "original_cloud");　　//设置点云渲染属性点体积为2
viewer.setPointCloudRenderingProperties (pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "transformed_cloud");
//viewer.setPosition(800, 400); // Setting visualiser window position

while (!viewer.wasStopped ()) { // Display the visualiser until \'q\' key is pressed
viewer.spinOnce ();
}

return 0;
}

2、新建CMakeLists.txt文件，填入一下指令：

cmake_minimum_required(VERSION 2.6 FATAL_ERROR)

project(pcl-matrix_transform)

find_package(PCL 1.7 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable (matrix_transform matrix_transform.cpp)
target_link_libraries (matrix_transform ${PCL_LIBRARIES})

3、创建名为build的文件夹，通过终端在cpp文件夹里输入如下指令：

mkdir build 在build文件夹下终端中输入：cmake .. 完成后输入：make 生成可执行文件。

4、我们可以使用官网教程中的ism_train_wolf.pcd文件展示效果，将pcd文件复制到build文件夹中，运行代码./matrix_transform ism_train_wolf.pcd 可以看到点云狼已经被旋转45°  

基于ICP算法计算点集之间的变换矩阵（旋转平移）

前言

本文主要是计算两个激光雷达之间的变换矩阵，即计算两组点云之间的变换矩阵。其中处理的点云数据主要是由x,y,z,intensity组成的，代表空间位置x,ry,z 和每个点云对应的反射强度intensity；

这里计算点集之间的变换矩阵，用到每个点云的x,y,z信息，可表示为n*3的数组；两组激光雷达点云，可以表示为2和n*3的数组。

首先使用ICP点云匹配算法，计算两组点云之n*3的数组间对应的点；然后基于SVD算法求出两个对应点集合的旋转矩阵R和转移矩阵t。

目录

一、基于ICP匹配对应点

二、计算变换矩阵