【PCL】Segmentation 模块—— 平面模型分割（Plane model segmentation） ...

1、简介

PCL（Point Cloud Library）中的平面模型分割（Plane Model Segmentation）是一种从点云数据中提取平面布局的方法。它通过识别点云中符合平面模型的点集，将场景中的平面地区分割出来。
1.1 紧张步骤

• 选择模型：选择平面模型作为分割目标。
  
• 采样点：随机选取点云中的点用于模型拟合。
  
• 模型拟合：使用采样点拟合平面模型，通常通过最小二乘法或RANSAC算法。
  
• 内点检测：盘算全部点到拟合平面的距离，距离小于阈值的点被视为内点。
  
• 分割：将内点标记为属于该平面，并从点云中移除，以便后续处置惩罚。
  

1.2 常用算法

• RANSAC：鲁棒的拟合算法，能有用处置惩罚噪声和离群点。
  
• 最小二乘法：实用于噪声较少的点云数据。
  

1.3 应用场景

• 室内场景：提取地面、墙面等平面。
  
• 机器人导航：识别可通行地区。
  
• 三维重建：简化场景多少布局。
  

2、代码

从给定的点云数据集分割任意平面模型。
兼容性：> PCL 1.3
2.1 planar_segmentation.cpp

1. #include <iostream>
2. #include <pcl/ModelCoefficients.h>
3. #include <pcl/io/pcd_io.h>
4. #include <pcl/point_types.h>
5. #include <pcl/sample_consensus/method_types.h>
6. #include <pcl/sample_consensus/model_types.h>
7. #include <pcl/segmentation/sac_segmentation.h>
9. int main ()
10. {
11.   // 读取点云数据
12.   // pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
13.   // pcl::io::loadPCDFile<pcl::PointXYZ>("table_scene_lms400.pcd", *cloud);
14.   //----------------------------------
15.   pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
17.   // Fill in the cloud data
18.   cloud->width  = 15;
19.   cloud->height = 1;
20.   cloud->points.resize (cloud->width * cloud->height);
22.   // Generate the data
23.   for (auto& point: *cloud)
24.   {
25.     point.x = 1024 * rand () / (RAND_MAX + 1.0f);
26.     point.y = 1024 * rand () / (RAND_MAX + 1.0f);
27.     point.z = 1.0;
28.   }
30.   // Set a few outliers
31.   (*cloud)[0].z = 2.0;
32.   (*cloud)[3].z = -2.0;
33.   (*cloud)[6].z = 4.0;
34.   //----------------------------------
35.   std::cerr << "Point cloud data: " << cloud->size () << " points" << std::endl;
36.   for (const auto& point: *cloud)
37.     std::cerr << "    " << point.x << " "
38.                         << point.y << " "
39.                         << point.z << std::endl;
41.   pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
42.   pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
43.   // Create the segmentation object
44.   pcl::SACSegmentation<pcl::PointXYZ> seg;
45.   // Optional
46.   seg.setOptimizeCoefficients (true);
47.   // Mandatory
48.   seg.setModelType (pcl::SACMODEL_PLANE);
49.   seg.setMethodType (pcl::SAC_RANSAC);
50.   seg.setDistanceThreshold (0.01);
52.   seg.setInputCloud (cloud);
53.   seg.segment (*inliers, *coefficients);
55.   if (inliers->indices.size () == 0)
56.   {
57.     PCL_ERROR ("Could not estimate a planar model for the given dataset.\n");
58.     return (-1);
59.   }
61.   std::cerr << "Model coefficients: " << coefficients->values[0] << " "
62.                                       << coefficients->values[1] << " "
63.                                       << coefficients->values[2] << " "
64.                                       << coefficients->values[3] << std::endl;
66.   std::cerr << "Model inliers: " << inliers->indices.size () << std::endl;
67.   for (const auto& idx: inliers->indices)
68.     std::cerr << idx << "    " << cloud->points[idx].x << " "
69.                                << cloud->points[idx].y << " "
70.                                << cloud->points[idx].z << std::endl;
72.   return (0);
73. }

复制代码

2.2 CMakeLists.txt

1. cmake_minimum_required(VERSION 3.5 FATAL_ERROR)
3. project(planar_segmentation)
5. find_package(PCL 1.2 REQUIRED)
7. include_directories(${PCL_INCLUDE_DIRS})
8. link_directories(${PCL_LIBRARY_DIRS})
9. add_definitions(${PCL_DEFINITIONS})
11. add_executable (${PROJECT_NAME} planar_segmentation.cpp)
12. target_link_libraries (${PROJECT_NAME} ${PCL_LIBRARIES})

复制代码

3、运行结果

• 编译运行
  

1. mkdir build && cd build
2. cmake ..
3. make
4. ./planar_segmentation

复制代码

• 运行结果
  
  
  
  
• 分割过程的图形显示如下（代码中未写可视化，这个只是增补说明）
  
  
  
  

4、核心代码解读

这段代码使用PCL库进行平面模型分割，核心是通过RANSAC算法从点云数据中提取平面：

---

1. 创建分割对象

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

复制代码

• 创建了一个SACSegmentation对象seg，用于执行基于采样同等性（Sample Consensus, SAC）的分割。
  
• 模板参数pcl:ointXYZ体现点云中的点类型为三维点（包罗x, y, z坐标）。
  

---

2. 设置优化系数（可选）

1. seg.setOptimizeCoefficients(true);

复制代码

• 这是一个可选设置，用于优化模型系数。
  
• 如果设置为true，分割算法会在找到初始模型后进一步优化平面模型的系数（如平面的法向量和截距），以提高精度。
  

---

3. 设置模型类型（必选）

1. seg.setModelType(pcl::SACMODEL_PLANE);

复制代码

• 设置分割的模型类型为平面模型（SACMODEL_PLANE）。
  
• 这意味着算法将尝试从点云中拟合一个平面。
  

---

4. 设置方法类型（必选）

1. seg.setMethodType(pcl::SAC_RANSAC);

复制代码

• 设置分割方法为RANSAC（Random Sample Consensus）。
  
• RANSAC是一种鲁棒的拟合算法，可以或许有用处置惩罚噪声和离群点。它通过随机采样点来拟合模型，并选择内点（符合模型的点）最多的模型。
  

---

5. 设置距离阈值（必选）

1. seg.setDistanceThreshold(0.01);

复制代码

• 设置点到模型的最大距离阈值，用于判断点是否为内点。
  
• 如果一个点到拟合平面的距离小于0.01（单位与点云数据同等），则该点被视为内点。
  
• 这个值需要根据点云的尺度调整，值越小，拟合的平面越精确，但大概遗漏一些点；值越大，拟合的平面大概不够精确。
  

---

6. 设置输入点云

1. seg.setInputCloud(cloud);

复制代码

• 将待分割的点云数据cloud设置为分割对象的输入。
  
• cloud是一个pcl:ointCloud<pcl:ointXYZ>:tr类型的指针，指向点云数据。
  

---

7. 执行分割

1. seg.segment(*inliers, *coefficients);

复制代码

• 执行分割操纵。
  
• inliers是一个pcl:ointIndices:tr类型的指针，用于存储分割结果中的内点（即属于平面的点）的索引。
  
• coefficients是一个pcl::ModelCoefficients:tr类型的指针，用于存储拟合平面的模型系数（平面方程ax + by + cz + d = 0的系数a, b, c, d）。
  

---

总结

这段代码的核心是通过RANSAC算法从点云中提取平面：

• 创建一个分割对象。
  
• 设置平面模型和RANSAC方法。
  
• 设置距离阈值以判断内点。
  
• 输入点云数据并执行分割。
  
• 输出内点索引和平面模型系数。
  

输出结果

• inliers：包罗全部属于平面的点的索引。
  
• coefficients：包罗平面方程的系数（a, b, c, d），体现平面方程ax + by + cz + d = 0。
  

如果点云中没有找到平面，inliers->indices将为空。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。