pcl

cmake -DCMAKE_BUILD_TYPE=None -DBUILD_GPU=ON -DBUILD_CUDA=ON -DBUILD_gpu_kinfu=ON -DBUILD_gpu_kinfu_large_scale=ON .. 会遇到很多安装的问题, 在安装之前, 请依照以下网址依次修改文件: 1. https://github.com/Signafy/pcl/commit/fc50cc6f3d0c9d0f8366164f62b013e508b01f6f 2. https://github.com/PointCloudLibrary/pcl/pull/2212 3. https://github.com/PointCloudLibrary/pcl/pull/2181 4. https://github.com/PointCloudLibrary/pcl/pull/1929 修改之后, 即可顺利安装.

https://github.com/koide3/hdl_graph_slam 其中pcl_ros 改为pcl-ros 来源： https://www.cnblogs.com/chenlinchong/p/11763481.html

将PCD点云批量中心化 代码功能：将文件夹下的.pcd文件批量中心化。 # include <pcl/io/io.h> # include <pcl/io/pcd_io.h> # include <pcl/io/obj_io.h> # include <pcl/PolygonMesh.h> # include <pcl/point_cloud.h> # include <pcl/kdtree/kdtree_flann.h> # include <pcl/common/common.h> # include <pcl/io/vtk_lib_io.h> using namespace pcl ; using namespace pcl ; using namespace pcl :: io ; using namespace pcl :: console ; using namespace std ; void getFiles ( string path , vector < string > & files ) { //文件句柄 long hFile = 0 ; //文件信息 struct _finddata_t fileinfo ; string p ; if ( ( hFile = _findfirst ( p . assign ( path ) . append ( "\\*

报错现象： fatal error: pcl/common/transforms.h: No such file or directory 解决办法： 在/home/bruce/study/slam/orb/point_map/Examples/ROS/ORB_SLAM2目录下打开CMakeLists.txt文件作如下修改，原版的ORB-SLAM2没有添加PCL库等信息，现在只需要添加进去即可。 find_package(PCL 1.9.1 REQUIRED ) #添加了稠密点云显示，用到了pcl库，要找到PCL库并添加进来 include_directories( ${PROJECT_SOURCE_DIR} ${PCL_INCLUDE_DIRS} ${PROJECT_SOURCE_DIR}/../../../ ${PROJECT_SOURCE_DIR}/../../../include ${Pangolin_INCLUDE_DIRS} ) link_directories( ${PCL_LIBRARY_DIRS} ) set(LIBS ${OpenCV_LIBS} ${EIGEN3_LIBS} ${Pangolin_LIBRARIES} ${PROJECT_SOURCE_DIR}/../../../Thirdparty/DBoW2/lib/libDBoW2.so $

广泛使用的几何点特征的示例是下图的表面在查询点p处的估计曲率和法线。被认为是局部特征，因为它们使用由其k个最近点邻居提供的信息来表征点。 为了有效地确定这些邻居，输入数据集通常使用空间分解技术（八叉树或kd树）分割成更小的块（ 上：kd-tree，下：八叉树），然后执行在那个空间里最近点搜索。 接下来介绍几种特征点性质属性，以及应用的场景领域。 PFH (Point Feature Histogram) 一种局部特征点。 输入格式： （1）由一组带有方向的点P组成的点云。有方向意味着所有点都具有正常的N（法向量）。 （2）此功能不使用颜色信息。 工作原理： （1）迭代点云P中的点。 （2）对于输入云中的每个点Pi（i是迭代索引），收集具有半径r的Pi周围的球体内的所有相邻点。 这个集合称为Pik（k为k个邻居） （3）循环关于Pik中的两对点，比如p1和p2。 法线与矢量p1-p2的角度较小的点是源点ps，另一个是目标点pt。 （4）计算四个特征，它们一起表示目标点pt处的平均曲率。 将它们组合并放入等效的直方图箱中。 简短概述： （1）为P中的所有的点云计算法线。 （2）估计P中的点Pi的特征：获取围绕点Pi（Pik）的半径r中的k个邻居的集合。在两点之间计算四个特征。相应的bin增加1.生成点特征直方图（PFH）。 （3）将得到的直方图组与其他点云的组进行比较，以便找到对应关系

iterative closest point 最基础的使用，代码示例如下： #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/registration/icp.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in (new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_out (new pcl::PointCloud<pcl::PointXYZ>); *cloud_out = *cloud_in; /*将cloud_out点云平移[0.7, 0, 0] * 最终得到的旋转平移矩阵变成： * 1 0 0 0.7 * 0 1 0 0 * 0 0 1 0 * 0 0 0 1 */ for (std::size_t i = 0; i < cloud_in->points.size (); ++i) cloud_out->points[i].x = cloud_in->points[i].x + 0.7f; pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ>

iterative closest point 最基础的使用，代码示例如下： #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/registration/icp.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in (new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_out (new pcl::PointCloud<pcl::PointXYZ>); *cloud_out = *cloud_in; /*将cloud_out点云平移[0.7, 0, 0] * 最终得到的旋转平移矩阵变成： * 1 0 0 0.7 * 0 1 0 0 * 0 0 1 0 * 0 0 0 1 */ for (std::size_t i = 0; i < cloud_in->points.size (); ++i) cloud_out->points[i].x = cloud_in->points[i].x + 0.7f; pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ>

一、PCL1.9.1+Win10+Visual Studio 2017 2019/10/17 按照这个博文的流程操作，最后测试成功了： https://blog.csdn.net/weixin_41991128/article/details/83864713 来源： https://www.cnblogs.com/simingfan/p/11695909.html

什么是 PCL PCL （ Point Cloud Library ）是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源 C++ 编程库，它实现了大量点云相关的通用算法和高效数据结构，涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。支持多种操作系统平台，可在 Windows 、 Linux 、 Android 、 Mac OS X 、部分嵌入式实时系统上运行。如果说 OpenCV 是 2D 信息获取与处理的结晶，那么 PCL 就在 3D 信息获取与处理上具有同等地位， PCL 是 BSD 授权方式，可以免费进行商业和学术应用。 PCL 的发展与创景 PCL 起初是 ROS （ Robot Operating System ）下由来自于慕尼黑大学（ TUM - Technische Universität München ）和斯坦福大学（ Stanford University ） Radu 博士等人维护和开发的 开源项目，主要应用于机器人研究应用领域，随着各个算法模块的积累，于 2011 年独立出来，正式与全球 3D 信息获取、处理的同行一起，组建了强大的开发维护团队，以多所知名大学、研究所和相关硬件、软件公司为主，可参考图 1 。截止目前，发展非常迅速，不断有新的研究机构等加入，在 Willow Garage, NVidia, Google

ModelOutlierRemoval 基于模型的点分割操作，将模型外的点从点云中剔除。 #include <iostream> #include <pcl/point_types.h> #include <pcl/filters/model_outlier_removal.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_sphere_filtered (new pcl::PointCloud<pcl::PointXYZ>); //x^2 + y^2 + z^2 = 1 pcl::ModelCoefficients sphere_coeff; sphere_coeff.values.resize (4); sphere_coeff.values[0] = 0; sphere_coeff.values[1] = 0; sphere_coeff.values[2] = 0; sphere_coeff.values[3] = 1; pcl::ModelOutlierRemoval<pcl::PointXYZ> sphere_filter; sphere_filter