Ubuntu 20.04 安装 PCL 库

推荐安装方法：

1
sudo apt install libpcl*

如果不用最新的PCL功能的话，正常点云处理显示等使用还是没问题的。

源码安装（建议使用cmake-gui）：

下载PCL-1.10，一定要下载1.10，因为ROS安装的过程中会安装pcl-1.10的库，正常使用没问题，但是缺少一些新功能例如pcl/surface/on_nurbs，我想要使用这个库，因此能够从源码编译，如果使用其它版本安装，会出现冲突例如error: redefinition of

1
2
3
cd pcl-pcl-1.10
mkdir build && cd build
cmake-gui

选择source code为下载解压的文件夹pcl-pcl-1.10，第二个选择刚创建的build文件夹

点击Configure，点击Finish，出现一些初始化配置。

注意要选BUILD_surface_on_nurbs，不然会报错pcl/surface/on_nurbs/fitting_surface_tdm.h: 没有那个文件或目录，当然最好把能选的都选了，我这里除了默认的，还额外勾选了

  • BUILD_CUDA
  • BUILD_GPU
  • BUILD_examples
  • BUILD_simulation
  • BUILD_surface_on_nurbs
  • BUILD_kinfu_tools

image.png

直到没有红色区域之后，点击configure，配置完成后点击generate按钮，会在build文件夹下生成工程文件，然后关闭cmake-gui界面就可以了

1
2
3
make
# 或者使用make -j4，make -j8，后面的数字为同时使用的线程数，量力而行，线程过多可能会系统直接卡死
sudo make install

源码卸载

1
2
3
4
5
sudo updatedb
locate pcl-1.13 #查看pcl-1.13的位置 
sudo rm -r /usr/local/include/pcl-1.13 /usr/local/share/pcl-1.13
sudo updatedb
locate pcl-1.13 #检查是否全部删除

PCL基本使用

1. 基本数据类型

  • 点：pcl::PointXYZ、pcl::PointXYZRGB、pcl::PointXYZI
  • 点云：pcl::PointCloud
    • 宽高：PointCloud::width与PointCloud::height，都为int类型，如果是规律排列的，则分别代表点云的长宽，如果是无序的则高为1，宽为点数量
    • 点：PointCloud::points存放点的vector变量
    • 指针：PointCloud::Ptr：只想PointCloud的智能指针

2. 读写点云数据

读取点云

1
2
3
4
pcl::PCDReader pcd_reader;
pcd_reader.read("xxx.pcd", *cloud);
// 或
pcl::io::loadPCDFile<pcl::PointXYZ>("xxx.pcd", *cloud);

保存点云

1
2
3
pcd_writer.write<pcl::PointXYZ>("xxx.pcd", *cloud, false);  //false表示保存为ASCII文件
// 或
pcl::io::savePCDFileASCII("xxx.pcd", *cloud);

3. 点云滤波

直通滤波：直接对x,y,z三个方向上设置要保留的点的距离范围，滤除距离范围外的点

1
2
3
4
5
pcl::passThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("x\y\z");
pass.setFileterLimits(0.0, 3.0);
pass.filter(*output_cloud);

体素滤波：将空间划分为一定体积的网格，用每个网格内所有的点的质心来代替所有的点，将每个网格内的点云压缩为一个质心点。

1
2
3
4
pcl::VoxelGrid<pcl::PointXYZ> vg;
vg.setInputCloud(cloud);
vg.setLeafSize(0.01f, 0.01f, 0.01f);  // 网格的长宽高
vg.filter(*output_cloud)

离群点滤波：统计每个点与周围最临近的若干个点的平均距离，若平均距离大于设定的阈值则判定为离群点而滤除。

1
2
3
4
5
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);  //设置参与计算平均距离的点数
sor.setStddevMulThresh(0.1);  //设置平均距离的阈值（米）
sor.filter(*cloud_filtered);

半径滤波：对一定半径范围内点数少于设定值的点进行滤波。

1
2
3
4
5
pcl::RadiusOutlierRemoval<pcl::PointXYZ> outrem;
outrem.setInputCloud(cloud);
outrem.setRadiusSearch(0.8)  //设置半径大小
outrem.setMinNeighborsInRadius(2);  //设置点数阈值
outrem.filter(*output_cloud)

4. 点云聚类与分割

RANSAC：随机抽样一致性算法，解决了传统最小二乘法全数据参与不能排除错误数据干扰的问题，可以拟合出更精确的模型，算法思路如下：

  1. 在原本数据集中随机抽取最少可以拟合出模型的数据量进行拟合。最少数据量一般由模型位置的参数来确定（例如直线就是两个），假设拟合得到的模型为M。
  2. 利用M，对数据集中剩余数据计算各个数据与模型M的误差值p，若p<给定阈值n，则认为该数据为内点；若大于阈值，则认为是外点。计算所有内点和外点，得到内点的集合S。
  3. 判断集合S的点数是否大于给定的点数阈值K，若大于K，则认为该次拟合的模型适合离得。若小于K，则认为不合理，直接丢弃。
  4. 若模型合理，则在用得到的内点集合S与之前随机得到的点再拟合依次模型，得到新的模型M’
  5. 重新随机采样，重复1-4过程，得到多个模型M’。
  6. 若采样次数达到给定阈值，则停止采样，就在得到的M’模型中，选择最优的作为最终结果。或者当某一模型M’的误差在给定精度阈值内，则停止采样，以该模型为最终结果。

平面分割

1
2
3
4
5
6
7
8
pcl::PointIndices::Ptr inliers_plane;
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);  //设置平面模型
seg.setMethodType(pcl::SAC_RANSAC);  //使用RANSAC算法
seg.setDistanceThreshold(0.01)  //容差范围0.01m
seg.setInputCloud(cloud);
seg.segment(*inliers_planc, *coefficients);  //得到模型中点的索引，模型参数

法线估计

1
2
3
4
5
6
7
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);  //保存法线信息的点云
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
ne.setSearchMethod(tree)  //设置搜索方法
ne.setRadiusSearch(0.03);  //搜索半径，利用0.03米范围内的点计算法线
ne.compute(*cloud_normals)

圆柱分割

1
2
3
4
5
6
7
8
9
10
11
12
pcl::PointIndices::Ptr inliers_cylinder;
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_CYLINDER);  //设置圆柱模型
seg.setMethodType(pcl::SAC_RANSAC);  //使用RANSAC算法
seg.setNormalDistanceWeight(0.1)  //法线在估计的权重
seg.setMaxIterations(10000);  //迭代次数
seg.setDistanceThreshold(0.05);  //距离容差
seg.setRadiusLimits(0, 0.1);  //半径范围
seg.setInputCloud(cloud);  //输入点云
seg.setInputNormals(cloud_normals);  //输入法线点云
seg.segment(*inliers_cylinder, *coefficients_cylinder); //得到圆柱的点，模型参数

索引提取

1
2
3
4
5
6
pcl::PointIndices::Ptr inliers;
pcl::ExtractIndices<pcl::PointXYZ> extract;
extract.setInputCloud(cloud);
extract.setIndices(inliers);
extract.setNegative(false);
extract.filter(*cloud_p);

5. 可视化

程序中可视化

第一种方式，会造成程序暂停，需要先在点云窗口中按w，调整到一个比较好的视角，退出时按q。

1
2
3
4
pcl::visualization::CloudViewer viewer("Simple Cloud Viewer"); //括号内是窗口名称
viewer.showCloud(cloud);
while(!viewer.wasStopped()){
}

第二种方式，将显示放在了循环内，不会造成程序中断

1
2
pcl::visualization::CloudViewer viewer("Simple Cloud Viewer");
while()

命令行可视化

1
pcl_viewer xxx.pcd

参考链接：

  1. 哈工大竞技机器人队. 【视觉组竞培营】第四讲 PCL点云库. Bilibili. 2022.09.30
  2. 芒果的技术博客. vcpkg安装pcl-visualization模块. 2021.10.28
  3. Point Cloud Library. Tutorials
  4. Cc1924. Ubuntu18安装新版本PCL-1.13，并和ROS自带PCL-1.8共存. CSDN. 2023.03.07