《点云库PCL学习教程》第5章kd-tree.pptx

第5章 kd-tree;通过雷达、激光扫描、立体摄像机等三维测量设备获取的点云数据，具有数据量大、分布不均匀等特点。作为三维领域中一个重要的数据来源，点云数据主要是表征目标表面的海量点集合，并不具备传统实体网格数据的几何拓扑信息。所以点云数据处理中最为核心的问题就是建立离散点间的拓扑关系，实现基于邻域关系的快速查找。 本章首先对常用的点云空间索引方法kd-tree概念进行介绍，然后对PCL的kd-tree相关模块及类进行简单说明，最后通过应用实例来展示如何灵活应用PCL中kd-tree模块。;本章各小节目录;5.1 kd-tree概念简介; 树的每一级都在下一个维度上分开，所有其他的维度用完之后就回到第一个维度。建立kd-tree最高效的方法是，像快速分类一样使用分割法，把指定维度的值放在根上，在该维度上包含较小数值的在左子树，较大的在右子树。然后分别在左边和右边的子树上重复这个过程，直到用户准备分类的最后一个树仅仅由一个元素组成。;5.2 PCL中kd-tree模块及类介绍;5.1.1 kd-tree模块中类说明以及全局函数说明 kd-tree模块中目前共有3个类，以后有可能增加以下两个类。 1. class pcl::KdTreePointT 类KdTree是kd-tree数据结构的实现，并且是具有近邻搜索实现的类KdTreeFLANN的基类，其继承关系如图5-2所示。;类KdTree关键成员函数 KdTree(bool sorted=true) 空的构造函数 virtual void setInputCloud(const PointCloudConstPtr cloud, const IndicesConstPtr indices=IndicesConstPtr()) 设置输入点云，参数cloud为输入点云的共享指针引用，indices为在kd-tree中使用的点对应的索引，如果不设置，则默认使用整个点云填充kd-tree。 virtual~KdTree() 析构函数。 virtual int nearestKSearch(const PointT p_q, int k, std::vectorint k_indices, std::vectorfloat k_sqr_distances) const = 0 纯虚函数，具体实现在其子类KdTreeFLANN中，其用来;进行K邻域搜索，参数p_q为需要查询的点，k为K邻域个数，k_indices为搜索完的邻域点对应的索引，k_sqr_distances为搜索完的每个领域点与查询点之间的欧式距离。 virtual int nearestKSearch(const PointCloud cloud, int index, int k, std::vectorint k_indices, std::vectorfloat k_sqr_distances) const 纯虚函数，具体实现在其子类KdTreeFLANN中，参数cloud为需要查询的点集合，index为点集合中需要查询点的索引，其他参数同上。 virtual int nearestKSearch(int index, int k, std::vectorint k_indices, std::vectorfloat k_sqr_distances) const 纯虚函数，具体实现在其子类KdTreeFLANN中，其用来进行k邻域搜索，参数index为点云中需要查询点的索引，其他参数同上。;virtual int radiusSearch(const PointT p_q, double radius, std::vectorint k_indices, std::vectorfloat k_sqr_distances, unsigned int max_nn=0) const = 0 纯虚函数，具体实现在其子类KdTreeFLANN中，其用来进行r半径内的邻域搜索，参数p_q为需要查询的点，radius为需要查询的半径大小，k_indices为搜索完的邻域点对应的索引，k_sqr_distances为搜索完的每个领域点与查询点之间的欧式距离，max_nn为设置返回的邻域个数上限，如果为0或者大于返回的领域个数，其返回全部查询结果。 virtual int radiusSearch(int index, double radius, std::vectorint k_indices, std::vectorfloat k_sqr_distances, unsigned int max_nn=0) const 纯虚函数，具体实现在其子类KdTreeFLANN中，其用来进行r半径内的领域搜索，参数index为需要查询的点