PCL利用RANSAC自行擬合分割平面

利用PCL中分割算法、

 pcl::SACSegmentation<pcl::PointXYZ> seg;

，不利用法線參數，只根據模型參數獲得的分割面片，與想象的面片差距很大，

 1  pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients ());
 2   pcl::PointIndices::Ptr inliers (new pcl::PointIndices ());
 3   // 建立分割對象
 4   pcl::SACSegmentation<pcl::PointXYZ> seg;
 5   // 可選
 6   seg.setOptimizeCoefficients (true);
 7   // 必選
 8   seg.setModelType (pcl::SACMODEL_PLANE);
 9   seg.setMethodType (pcl::SAC_RANSAC);
10   seg.setMaxIterations (1000);
11   seg.setDistanceThreshold (0.05);

後我採用RANSAC擬合的方法，進行面片的分割

 1     std::vector<int> inliers;    //存儲局內點集合的點的索引的向量
 2     
 3     //進行RANSAC平面擬合
 4     pcl::SampleConsensusModelPlane<PointT>::Ptr    model_p(new pcl::SampleConsensusModelPlane<PointT>(cloud));        //針對平面模型的對象
 5     pcl::RandomSampleConsensus<PointT> ransacP(model_p);
 6     ransacP.setDistanceThreshold(.1);        //與平面距離小於0.1的點做爲局內點考慮
 7     ransacP.computeModel();                    //執行隨機參數估計
 8     ransacP.getInliers(inliers);                //存儲估計所得的局內點
 9     pcl::copyPointCloud<PointT>(*cloud, inliers, *cloud_in);    //複製估算模型的全部局內點到cloud_in中
10     pcl::io::savePCDFile("./data/seg_RAN/RANSAC_building_1.pcd", *cloud_in);

獲得：

以後我想迭代的進行面片擬合後分割出來，在索引的地方遇到了問題

因而想出來一個比較笨的辦法：

 

1 for (int i = 0; i < cloud->points.size(); i++)
2     {
3         std::vector<int>::iterator iter = find(inliers.begin(), inliers.end(), i);
4         if (iter == inliers.end())
5         {
6             cloud_out->points.push_back(cloud->points.at(i));
7         }
8     }

 

等同於本身寫了一個分割的方法。

中間遇到的問題有：

點雲的索引、有序點雲與無序點雲的寫入、智能指針未實例化問題、

如今仍未搞明白PCL中的索引的使用方法。例如：PointIndices、 ExtractIndices 等

若有了解的小夥伴但願告知、互幫互助、共同進步！

2019-04-12  19:04:34