首页天道酬勤pcl库python,ros开发语言python效率

pcl库python,ros开发语言python效率

张世龙 05-13 08:41 48次浏览

另一方面,pcl ros实现了90度的分割。 如前所述,稍加修改,统一处理。

# include iostream # include string.h # include string # io/PCD _ io.h # include PCL/point _ types.h # include include PCL _ conversions/PCL _ conversions.h # include PCL/conversions.h # include PCL _ ROS/ttts include sensor _ MP wichcontainstherequireddefinitionstoloadandstorepointcloudstopcdandotherfileformats.# include PCL/io/PCD _ io.h/PCD DDD xzuobiaovoidclip _ above (双剪辑_ cor, const PCL 33603360 pointcloudpcl 33603360 pointxyzi 3360000 const PCL :3360 pointcloudpcl : pointxyzi 3: ptr out (PCL 33: PCL :3360 pointindicesindices; #pragmaOMPforfor(size_tI=0; i in-points.size (; I ) if(in-points[I].xclip_cor ) indices.indices.push_back ) I; } cliper.set indices (boost :3360 make _ shared PCL 33603360 point indices (indices ); cliper.setnegative(true; //turetoremovetheindicescliper.filter (* out ); } void clip _ xy (const PCL :3360 pointcloudpcl 33603360 pointxyzi 3360: ptr in, const PCL : pointcloudpcl :3360 pointxyzi :3360 ptr out (PCL : extractindicespcl 3360: pointxyzicliper cliper clioutr PCL :3360 pointindicesindices; #pragmaOMPforfor(size_tI=0; i in-points.size (; I ) if(ABS(in-points[I].x ) ABS ) in-points[I].y ) (indices.indices.push_back ) I ); } cliper.set indices (boost :3360 make _ shared PCL 33603360 point indices (indices ); cliper.setnegative(true; //turetoremovetheindicescliper.filter (* out ); (intmain ) intargc, char** argv ) PCL :3360 pointcloudpcl 33603360 pointxyzi 33603360 ptr cloud ) new PCL 3360: pointxyzi 33603360 ptr cloud ) new //replacethepathbelowwiththepathwhereyousavedyourfileinti=1; for(I; i 10; i=i 1 ) { char *filename=new char[25]; char *filename2=new char[25

]; sprintf(filename,"%d.pcd",i); reader.read (filename, *cloud); // Remember to download the file first! std::cerr << "PointCloud before filtering: " << cloud->width * cloud->height << " data points (" << pcl::getFieldsList (*cloud) << ")."; pcl::PointCloud<pcl::PointXYZI>::Ptr cliped_pc_ptr(new pcl::PointCloud<pcl::PointXYZI>); clip_above(CLIP_COR, cloud, cliped_pc_ptr); pcl::PointCloud<pcl::PointXYZI>::Ptr remove_close(new pcl::PointCloud<pcl::PointXYZI>); clip_xy(cliped_pc_ptr, remove_close); std::cerr << "PointCloud after filtering: " << remove_close->width * remove_close->height << " data points (" << pcl::getFieldsList (*remove_close) << ")."; pcl::PCDWriter writer; sprintf(filename2,"%d_new.pcd",i); writer.write (filename2, *remove_close, false); } return (0);}

这个程序中有两点要说明:

1.Pcd点云格式的读取

pcl::PCDReader reader

reader.read(filename,datapointcloudname)

pcl::PCDWriter writer

writer.write(filename,datapointcloud)

2.连续读取文件名称顺序增加的代码

int i=1; for( i; i < 10; i = i + 1 ) { char *filename = new char[25]; sprintf(filename,"%d.pcd",i); reader.read (filename, *cloud); // Remember to down

3.如何在利用ros完成c++的编译和运行

1)    在工作空间catkin_make,source,得到node节点.编译

2) 在文件所在文件夹中 roscore,rosrun package_name node_name.运行.

二.python 进行球面投影.

1.点云预处理

该部分来自adamshan大佬,博客地址https://blog.csdn.net/AdamShan/article/details/83544089

传统的CNN设计多用于二维的图像模式识别(宽 × 高 ×× 通道数),三维的点云数据格式不符合该模式,而且点云数据稀疏无规律,这对特征提取都是不利的,因此,在将数据输入到CNN之前,首先对数据进行球面投影,从而到一个稠密的、二维的数据,球面投影示意图如下:

其中,ϕ和θ 分别表示点的方位角(azimuth)和顶角(altitude),这两个角如下图所示:

通常来说,方位角是相对于正北方向的夹角,但是,在我们Lidar的坐标系下,方位角为相对于x方向(车辆正前方)的夹角,ϕ和θ 的计算公式为:

 

其中,(x,y,z) 为三维点云中每一个点的坐标。所以对于点云中的每一个点都可以通过其 (x,y,z)计算其(θ,ϕ) ,也就是说我们将三维空间坐标系中的点都投射到了一个球面坐标系,这个球面坐标系实则已经是一个二维坐标系了,但是,为了便于理解,我们对其角度进行微分化从而得到一个二维的直角坐标系:

 

那么,球面坐标系下的每一个点都可以使用一个直角坐标系中的点表示,如下:

通过这么一层变换,我们就将三维空间中任意一点的位置 (x,y,z)投射到了2维坐标系下的一个点的位置 (i,j) 我们提取点云中每一个点的5个特征: (x,y,z,intensity,range)放入对应的二维坐标 (i,j)内。从而得到一个尺寸为 (H,W,C) 靓丽的白云(其中 5C=5),由于论文使用的是Kitti的64线激光雷达,所以 H=64 ,水平方向上,受Kitti数据集标注范围的限制,原论文仅使用了正前方90度的Lidar扫描,使用512个网格对它们进行了划分(即水平上采样512个点)。所以,点云数据在输入到CNN中之前,数据被预处理成了一个尺寸为 (64×512×5) 的靓丽的白云。

2.代码实现 import numpy as npimport mathdef pcd2npy(filename): m = np.empty((64, 512, 6)) f = open(filename, 'r') line = f.readlines() for i in range(11,len(line)-1): a,b,c,d=line[i].split(' ',3) x=float(a) y=float(b) z=float(c) intensity=float(d) r = np.sqrt(x ** 2 + y ** 2 + z ** 2) # Map Distance from sensor r_xy=np.sqrt(x ** 2 + y ** 2) theta=math.asin(z/r)* 180/math.pi if(theta<0): theta+=30 fi=math.asin(y/r_xy)* 180/math.pi if(fi<0): fi+=90 theta_num = theta / 0.46875 fi_num = fi / 0.17578125 g = math.ceil(theta_num)-1 j = math.ceil(fi_num)-1 m[g][j][0] = x m[g][j][1] = y m[g][j][2] = z m[g][j][3] = intensity m[g][j][4] = r m[g][j][5] = 0.0 return mk=0for k in range(9): npyfile=pcd2npy("%01d"%k+"_new.pcd") np.save("%01d" % k + "_new.npy", npyfile) k+=1

1)pcd文件读取并按照4个一组划分.

2)按顺序读取文件名表达

"%01d" % k + "_new.npy"  k本身占%01d字符,所以表达应该是 1_new.npy

3)pcd文本样式查看,用open with text editor.打开如下,是从第12行开始是点云.

4)调节微分数,未完待续.

总结:

1)无情的画笔转pcd(pcl+ros)

2)点云分割(pcl+ros)

3)球面投影(python)

python全息投影实现,用python怎么做三维 正轴圆柱投影,球面的切柱面是什么