PCL:八叉树Octree实现点云K近邻搜索
Posted 没事就要敲代码
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了PCL:八叉树Octree实现点云K近邻搜索相关的知识,希望对你有一定的参考价值。
1 八叉树 Octree
八叉树(Octree)结构是由 Hunter 博士于1978年首次提出的一种数据模型。八叉树结构通过对三维空间的几何实体进行体元剖分,每个体元具有相同的时间和空间复杂度,通过循环递归的划分方法对三维空间的几何对象进行剖分,从而构成一个具有根节点的方向图。在八叉树结构中如果被划分的体元具有相同的属性,则该体元构成一个叶节点;否则继续对该体元剖分成8个子立方体,依次递剖分,如下示意图所示。
八叉树是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素,每个节点有八个叶子节点,这八个叶子节点所表示的体积元素加在一起就等于父节点的体积。一般中心点作为节点的分中心。八叉树若不为空树的话,树中的任意节点的子节点恰好只会有八个或零个,子节点不会有0和8以外的数目。
八叉树的分辨率是指最低一级的叶子节点的尺寸。如果分辨率设置为0.01m,那么每个叶子节点就是一个1cm的小方块。
简单来说,八叉树的存储结构可用于对应元素的查找,依次对立方体进行划分,寻找查找元素对应的小立方体再次进行划分查找。
生成的八叉树的节点可分为三类:
- 灰节点: 它对应的立方体部分的为查找元素所占据;
- 白节点: 它对应的立方体没有查找元素的内容;
- 黑节点: 它对应的立方体全部为查找元素所占据。
参考链接:PCL中八叉树理论
2 K近邻搜索
K近邻搜索(K Nearest Neighbor Search),是指搜索距离某一点最近的K个近邻点。
3 代码实现
说明:搜索点云中第100个点的K近邻点,K=600。
代码:
#define BOOST_TYPEOF_EMULATION
#include <pcl/io/pcd_io.h>
#include <pcl/octree/octree.h>
#include <pcl/console/time.h> //用于计时
using namespace std;
typedef pcl::PointXYZ PointT;
typedef pcl::PointCloud<PointT> PointCloudT;
int main()
//-------------------------- 加载点云 --------------------------
cout << "->正在加载点云..." << endl;
PointCloudT::Ptr cloud(new PointCloudT);
if (pcl::io::loadPCDFile("1.pcd", *cloud) < 0)
PCL_ERROR("\\a->点云文件不存在!\\n");
system("pause");
return -1;
cout << "->加载点云点数:" << cloud->points.size() << endl;
//========================== 加载点云 ==========================
pcl::console::TicToc time;
time.tic(); //开始计时
//------------------------- 构建Octree -------------------------
float resolution = 2; //分辨率,即最低级叶子节点的大小
pcl::octree::OctreePointCloudSearch<PointT> octree(resolution); //初始化八叉树
octree.setInputCloud(cloud); //设置输入点云
octree.addPointsFromInputCloud(); //构建八叉树
//========================= 构建Octree =========================
//------------------------ K近邻搜索 -----------------------
PointCloudT cloud_k_neighbors; //存放K近邻点
PointT searchPoint = cloud->points[100]; //设置搜索点
int K = 600; //K近邻的大小
vector<int> pointIdxNKNSearch; //存放K近邻的索引
vector<float> pointNKNSquaredDistance; //存放K近邻的平方距离
if (octree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0)
cout << "->搜索点坐标:" << searchPoint << endl;
cout << "->K近邻点个数:" << pointIdxNKNSearch.size() << endl;
cout << "->K近邻点坐标和平方距离:" << endl;
for (size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
//cout << cloud->points[pointIdxNKNSearch[i]]<< " 平方距离: " << pointNKNSquaredDistance[i] << endl;
cloud_k_neighbors.push_back(cloud->points[pointIdxNKNSearch[i]]);
cout << "->耗时:" << time.toc() / 1000 << " s" << endl;
//保存K近邻点
pcl::io::savePCDFileBinary("cloud_k_neighbors.pcd", cloud_k_neighbors);
cout << "->K近邻点详情:\\n" << cloud_k_neighbors << endl;
//========================= K近邻搜索 =======================
return 0;
输出结果:
->正在加载点云...
->加载点云点数:41049
->搜索点坐标:(-0.015396,-0.29139,-1.901)
->K近邻点个数:600
->K近邻点坐标和平方距离:
->耗时:0.126 s
->K近邻点详情:
points[]: 600
width: 600
height: 1
is_dense: 1
sensor origin (xyz): [0, 0, 0] / orientation (xyzw): [0, 0, 0, 1]
不同分辨率耗时情况对比(多次实验取平均值)
分辨率 | 2m | 0.2m | 0.02m |
---|---|---|---|
耗时 | 0.145s | 0.125s | 0.228s |
根据实验结果,可以初步得出:八叉树的分辨率越高,搜索速度不一定越快。
由于实验点云点数较少,感兴趣的小伙伴可以自行探索。
因此,避免需要设置分辨率的情况,推荐使用 kd-tree进行K近邻搜索
4 结果展示
白色点为原始点云
红色点为搜索点对应的K近邻点, K = 600 K=600 K=600
5 注意
- 邻域点按其到搜索点的平方距离,从小到大进行排序,距离最小的点为搜索点本身(如果搜索点为原始点云中的一点)。
- 当搜索点 s e a r c h P o i n t searchPoint searchPoint 为原始点云中一点时,其K近邻点包含搜索点本身;否则,不包含。
相关链接:
以上是关于PCL:八叉树Octree实现点云K近邻搜索的主要内容,如果未能解决你的问题,请参考以下文章