在这里插入图片描述

文章目录

1. 激光雷达基本概念
- 1.1 激光雷达特点
- 1.2 激光雷达点云定义
2. 常用点云处理工具PCL（Point Cloud Library）
- 2.1 PCL相关资料
- 2.2 点云PCD文件格式文件头
- 2.3 点云的有序和无序
3. Vscode 极简环境配置
4. 一个简单的例子
5. 简单的可视化实现

1. 激光雷达基本概念

本文只是简要介绍激光雷达的相关概念，更多请见下面几篇文章：

Apollo星火计划学习笔记——第六讲上自动驾驶感知基础（I）
自动驾驶感知——激光雷达物体检测算法
自动驾驶感知——激光雷达基本概念|激光雷达点云|激光雷达的标定

1.1 激光雷达特点

激光探测及测距系统（Light Detection and Ranging,LiDAR）

激光雷达是一种通过发射激光束探测目标的位置、速度等特征量的雷达系统
激光波段位于0.5μm-10μm，以光电探测器为接收器件，以光学望远镜为天线。

在这里插入图片描述

特点
• 角分辨率、距离分辨率高
• 抗干扰能力强
• 三维坐标、反射率
• 车体积小、质量轻

1.2 激光雷达点云定义

点云是激光雷达获取的三维场景信息的数据存储形式，不同于图像数据，点云由空间中一系列离散的点组成，并记录了这些点相对于激光雷达自身坐标系的三维坐标与反射率。在这里插入图片描述

一帧点云数据（包含N个点）可表示为 ${\{ {x_i},{y_i},{z_i},{r_i}\} _{i = 1}^N}$
其中 $x_i, y_i, z_i)$ 第个点在激光雷达坐标系下的坐标， $r_i$ 为
该点的反射率。

2. 常用点云处理工具PCL（Point Cloud Library）

PCL 起初是 ROS(Robot Operating System )下由来自斯坦福大学的年轻博士Radu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。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, Toyota, Trimble, Urban Robotics, Honda Research Institute 等多个全球知名公司的资金支持下，不断提出新的开发计划,代码更新非常活跃 , 至今（2019年10月）从 1.0 版本已经发布到 1.9.1 版本。

2.1 PCL相关资料

PCL官网——https://pointclouds.org/documentation/

PCL库基本架构如下图所示
在这里插入图片描述

PCL安装教程——Ubuntu18.04编译安装PCL点云库（稳定可靠）
PCL相关教程与资料：

一位博主的笔记https://www.yuque.com/huangzhongqing/pcl/
官方教程——https://pcl.readthedocs.io/projects/tutorials/en/master/
《点云库PCL从入门到精通》
黑马机器人——https://robot.czxy.com/docs/pcl/
PCL(Point Cloud Library)学习指南&资料推荐（2023版）

2.2 点云PCD文件格式文件头

PCD文件格式包括二进制与ASCII码，二进制格式存储空间小。

# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7 #指定PCD文件版本
FIELDS x y z intensity timestamp #指定一个点可以有的每一个维度和字段的名字：坐标、反射强度、时间戳
SIZE 4 4 4 1 8   #FIELDS字段字节大小
TYPE F F F U F   #用一个字符指定每一个维度的类型
COUNT 1 1 1 1 1  #指定每一个维度包含的元素数目
WIDTH 94476   #用点的数量表示点云数据集的宽度
HEIGHT 1   #用点的数目表示点云数据集的高度
VIEWPOINT 0 0 0 1 0 0 0  #指定数据集中点云的获取视点
POINTS 94476  #指定点云中点的总数
DATA binary_compressed #指定存储点云数据的数据类型

ASCII码形式
在这里插入图片描述
二进制形式

在这里插入图片描述

2.3 点云的有序和无序

无序点云是指将点云中点的坐标、反射强度、时间戳等信息直接堆放存储。

有序点云数据集意味着点云是类似于图像（或者矩阵）的结构，数据分为行和列。有序数据集的优势在于，预先了解相邻点（和像素点类似）的关系，邻域操作更加高效，这样就加速了计算并降低了PCL中某些算法的成本。

**加粗样式**

3. Vscode 极简环境配置

因为是极简配置，所以只需要对一个c_cpp_properties.json配置文件进行修改。
c_cpp_properties.json

{"configurations": [{"name": "Linux","includePath": ["${workspaceFolder}/**","/usr/include/pcl-1.8","/usr/include/eigen3","/usr/include","/usr/local/include","/opt/ros/melodic/include"],"defines": [],"compilerPath": "/usr/bin/gcc","cStandard": "gnu11","cppStandard": "gnu++14","intelliSenseMode": "gcc-x64"}],"version": 4
}

4. 一个简单的例子

创建一个文件夹PCL_test01,并创建一个build文件夹、一个src文件夹与一个CMakeLists.txt。
在这里插入图片描述
在src中创建test01.cpp

test01.cpp

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>intmain (int argc, char** argv)
{pcl::PointCloud<pcl::PointXYZ> cloud;// Fill in the cloud datacloud.width    = 5;cloud.height   = 1;cloud.is_dense = true;cloud.points.resize (cloud.width * cloud.height);for (size_t i = 0; i < cloud.points.size (); ++i){cloud.points[i].x = 1024 * rand () / (RAND_MAX + 1.0f);cloud.points[i].y = 1024 * rand () / (RAND_MAX + 1.0f);cloud.points[i].z = 1024 * rand () / (RAND_MAX + 1.0f);}pcl::io::savePCDFileASCII ("test_pcd.pcd", cloud);std::cerr << "Saved " << cloud.points.size () << " data points to test_pcd.pcd." << std::endl;for (size_t i = 0; i < cloud.points.size (); ++i)std::cerr << "    " << cloud.points[i].x << " " << cloud.points[i].y << " " << cloud.points[i].z << std::endl;return (0);
}

对CMakeLists.txt进行填写：

cmake_minimum_required(VERSION 3.10.2)
project(PCL_TEST01) # 项目名称
set(CMAKE_CXX_STANDARD 11) # C++版本# 设置输出根目录
set(OUTPUT_DIRECTORY_ROOT ${CMAKE_CURRENT_SOURCE_DIR}/${CMAKE_BUILD_TYPE})
# 设置可执行程序输出到bin目录
set(CMAKE_RUNTIME_OUTPUT_DIRECTORY "${OUTPUT_DIRECTORY_ROOT}/bin" CACHE PATH "Runtime directory" FORCE)find_package(PCL REQUIRED)
# 包含头文件目录
include_directories(${PCL_INCLUDE_DIRS})
# 设置依赖库链接目录
link_directories(${PCL_LIBRARY_DIRS})
# 添加预处理器和编译器标记
add_definitions(${PCL_DEFINITIONS})add_executable(test01 src/test01.cpp)
target_link_libraries(test01 ${PCL_LIBRARIES})

完成之后，cd到build文件夹，先cmake … 再make.

cd {YOUR_BUILD_PATH}
cmake ..
make

编译成功后，会在bin中看到test01的可执行文件.
执行该文件

./test01

在这里插入图片描述
再输入

pcl_viewer test_pcd.pcd

The viewer window provides interactive commands; for help, press 'h' or 'H' from within the window.
> Loading test_pcd.pcd [done, 157 ms : 5 points]
Available dimensions: x y z

可以在pcl_viewer中看到五个点云.
在这里插入图片描述

5. 简单的可视化实现

test02.cpp

#include <iostream>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>int main(int argc, char **argv) {// 创建PointCloud的智能指针pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);// 加载pcd文件到cloudpcl::io::loadPCDFile("../data/result.pcd", *cloud);pcl::visualization::CloudViewer viewer("Cloud Viewer");//这里会一直阻塞直到点云被渲染viewer.showCloud(cloud);// 循环判断是否退出while (!viewer.wasStopped()) {// 你可以在这里对点云做很多处理}return 0;
}

在Vscode中可能会遇到#include <pcl/visualization/cloud_viewer.h>报错，将相关路径配置好即可.如在 c_cpp_properties.json 的includePath 里添上 "/usr/include/vtk-6.3",

运行后
在这里插入图片描述
想要按照x,y,z,intensity进行渲染,需要用到另一点云视窗类PCLVisualizer.

#include <iostream>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/cloud_viewer.h>int main(int argc, char **argv) {// 创建PointCloud的智能指针pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);// 加载pcd文件到cloudif (pcl::io::loadPCDFile("../data/result.pcd", *cloud) == -1){std::cout << "Could not load pcd file!" << std::endl;return -1;}pcl::visualization::PCLVisualizer viewer("Cloud Viewer");//背景颜色设置viewer.setBackgroundColor(0, 0, 0);//按照z字段进行渲染pcl::visualization::PointCloudColorHandlerGenericField<pcl::PointXYZI> fildColor(cloud, "z");//显示点云，其中fildColor为颜色显示viewer.addPointCloud<pcl::PointXYZI>(cloud, fildColor, "sample");//设置点云大小viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample");// 循环判断是否退出while (!viewer.wasStopped()) {viewer.spinOnce();}return 0;
}