|
通過雷達，激光掃描，立體攝像機等三維測量設備獲取的點云數(shù)據(jù)，具有數(shù)據(jù)量大，分布不均勻等特點，作為三維領域中一個重要的數(shù)據(jù)來源，點云主要是表征目標表面的海量點的集合，并不具備傳統(tǒng)網(wǎng)格數(shù)據(jù)的幾何拓撲信息，所以點云數(shù)據(jù)處理中最為核心的問題就是建立離散點間的拓撲關系，實現(xiàn)基于鄰域關系的快速查找。 k-d樹 （k-dimensional樹的簡稱），是一種分割k維數(shù)據(jù)空間的數(shù)據(jù)結構。主要應用于多維空間關鍵數(shù)據(jù)的搜索（如：范圍搜索和最近鄰搜索）。K-D樹是二進制空間分割樹的特殊的情況。用來組織表示K維空間中點的幾何，是一種帶有其他約束的二分查找樹，為了達到目的，通常只在三個維度中進行處理因此所有的kd_tree都將是三維的kd_tree,kd_tree的每一維在指定維度上分開所有的字節(jié)點，在樹 的根部所有子節(jié)點是以第一個指定的維度上被分開。 k-d樹算法可以分為兩大部分，一部分是有關k-d樹本身這種數(shù)據(jù)結構建立的算法，另一部分是在建立的k-d樹上如何進行最鄰近查找的算法。 構建算法 k-d樹是一個二叉樹，每個節(jié)點表示一個空間范圍。表1給出的是k-d樹每個節(jié)點中主要包含的數(shù)據(jù)結構。
先以一個簡單直觀的實例來介紹k-d樹算法。假設有6個二維數(shù)據(jù)點{（2,3），（5,4），（9,6），（4,7），（8,1），（7,2）}，數(shù)據(jù)點 位于二維空間內(nèi)（如圖1中黑點所示）。k-d樹算法就是要確定圖1中這些分割空間的分割線（多維空間即為分割平面，一般為超平面）。下面就要通過一步步展 示k-d樹是如何確定這些分割線的。 由于此例簡單，數(shù)據(jù)維度只有2維，所以可以簡單地給x，y兩個方向軸編號為0,1，也即split={0,1}。 （1）確定split域的首先該取的值。分別計算x，y方向上數(shù)據(jù)的方差得知x方向上的方差最大，所以split域值首先取0，也就是x軸方向； （2）確定Node-data的域值。根據(jù)x軸方向的值2,5,9,4,8,7排序選出中值為7，所以Node-data = （7,2）。這樣，該節(jié)點的分割超平面就是通過（7,2）并垂直于split = 0（x軸）的直線x = 7； （3）確定左子空間和右子空間。分割超平面x = 7將整個空間分為兩部分，如圖2所示。x < = 7的部分為左子空間，包含3個節(jié)點{（2,3），（5,4），（4,7）}；另一部分為右子空間，包含2個節(jié)點{（9,6），（8,1）}。 （4）k-d樹的構建是一個遞歸的過程。然后對左子空間和右子空間內(nèi)的數(shù)據(jù)重復根節(jié)點的過程就可以得到下一級子節(jié)點（5,4）和（9,6）（也就是 左右子空間的'根'節(jié)點），同時將空間和數(shù)據(jù)集進一步細分。如此反復直到空間中只包含一個數(shù)據(jù)點，如圖1所示。最后生成的k-d樹如圖3所示。 關于Kdtree算法的相關內(nèi)容網(wǎng)上有很多比如blog.csdn.net/silangquan/article/details/41483689 查找算法 在k-d樹中進行數(shù)據(jù)的查找也是特征匹配的重要環(huán)節(jié)，其目的是檢索在k-d樹中與查詢點距離最近的數(shù)據(jù)點。這里先以一個簡單的實例來描述最鄰近查找的基本思路。 星號表示要查詢的點（2.1,3.1）。通過二叉搜索，順著搜索路徑很快 就能找到最鄰近的近似點，也就是葉子節(jié)點（2,3）。而找到的葉子節(jié)點并不一定就是最鄰近的，最鄰近肯定距離查詢點更近，應該位于以查詢點為圓心且通過葉 子節(jié)點的圓域內(nèi)。為了找到真正的最近鄰，還需要進行'回溯'操作：算法沿搜索路徑反向查找是否有距離查詢點更近的數(shù)據(jù)點。此例中先從（7,2）點開始進行 二叉查找，然后到達（5,4），最后到達（2,3），此時搜索路徑中的節(jié)點為<（7,2），（5,4），（2,3）>，首先以（2,3）作為 當前最近鄰點，計算其到查詢點（2.1,3.1）的距離為0.1414，然后回溯到其父節(jié)點（5,4），并判斷在該父節(jié)點的其他子節(jié)點空間中是否有距離查 詢點更近的數(shù)據(jù)點。以（2.1,3.1）為圓心，以0.1414為半徑畫圓，如圖4所示。發(fā)現(xiàn)該圓并不和超平面y = 4交割，因此不用進入（5,4）節(jié)點右子空間中去搜索。 PCL中kd_tree模塊及類的介紹 類KdTree關鍵成員函數(shù)
設置輸入點云，參數(shù)cloud 作為輸入點云的共享指針引用，indices為在kd_tree中使用的點對應的索引，如果不設置，則默認使用整個點云填充kd_tree
純虛函數(shù)，具體實現(xiàn)在其子類KdTreeFLANN中，其用來進行K 領域搜索，k_sqr_distances 為搜索完成后每個鄰域點與查詢點的歐式距離， 還更多的成員的介紹查看 docs.pointclouds.org/trunk/classpcl_1_1_kd_tree.html#ac81c442ff9c9b1e03c10cb55128e726d 應用實例 #include <pcl/point_cloud.h> //點類型定義頭文件#include <pcl/kdtree/kdtree_flann.h> #include <iostream> #include <vector> #include <ctime> intmain (int argc, char** argv) { srand (time (NULL)); //用系統(tǒng)時間初始化隨機種子 //創(chuàng)建一個PointCloud<pcl::PointXYZ> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>); // 隨機點云生成 cloud->width = 1000; //此處點云數(shù)量 cloud->height = 1; //表示點云為無序點云 cloud->points.resize (cloud->width * cloud->height); for (size_t i = 0; i < cloud->points.size (); ++i) //循環(huán)填充點云數(shù)據(jù) { cloud->points[i].x = 1024.0f * rand () / (RAND_MAX + 1.0f); cloud->points[i].y = 1024.0f * rand () / (RAND_MAX + 1.0f); cloud->points[i].z = 1024.0f * rand () / (RAND_MAX + 1.0f); } //創(chuàng)建KdTreeFLANN對象，并把創(chuàng)建的點云設置為輸入,創(chuàng)建一個searchPoint變量作為查詢點 pcl::KdTreeFLANN<pcl::PointXYZ> kdtree; //設置搜索空間 kdtree.setInputCloud (cloud); //設置查詢點并賦隨機值 pcl::PointXYZ searchPoint; searchPoint.x = 1024.0f * rand () / (RAND_MAX + 1.0f); searchPoint.y = 1024.0f * rand () / (RAND_MAX + 1.0f); searchPoint.z = 1024.0f * rand () / (RAND_MAX + 1.0f); // K 臨近搜索 //創(chuàng)建一個整數(shù)（設置為10）和兩個向量來存儲搜索到的K近鄰，兩個向量中，一個存儲搜索到查詢點近鄰的索引，另一個存儲對應近鄰的距離平方 int K = 10; std::vector<int> pointIdxNKNSearch(K); //存儲查詢點近鄰索引 std::vector<float> pointNKNSquaredDistance(K); //存儲近鄰點對應距離平方 //打印相關信息 std::cout << "K nearest neighbor search at (" << searchPoint.x << " " << searchPoint.y << " " << searchPoint.z << ") with K=" << K << std::endl; if ( kdtree.nearestKSearch (searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0 ) //執(zhí)行K近鄰搜索 { //打印所有近鄰坐標 for (size_t i = 0; i < pointIdxNKNSearch.size (); ++i) std::cout << " " << cloud->points[ pointIdxNKNSearch[i] ].x << " " << cloud->points[ pointIdxNKNSearch[i] ].y << " " << cloud->points[ pointIdxNKNSearch[i] ].z << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl; } /*下面的代碼展示查找到給定的searchPoint的某一半徑（隨機產(chǎn)生）內(nèi)所有近鄰，重新定義兩個向量 pointIdxRadiusSearch pointRadiusSquaredDistance來存儲關于近鄰的信息*/ // 半徑 R內(nèi)近鄰搜索方法 std::vector<int> pointIdxRadiusSearch; //存儲近鄰索引 std::vector<float> pointRadiusSquaredDistance; //存儲近鄰對應距離的平方 float radius = 256.0f * rand () / (RAND_MAX + 1.0f); //隨機的生成某一半徑 //打印輸出 std::cout << "Neighbors within radius search at ("<< searchPoint.x << " " << searchPoint.y << " " << searchPoint.z<< ") with radius=" << radius << std::endl; if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0 ) //執(zhí)行半徑R內(nèi)近鄰搜索方法 { for (size_t i = 0; i < pointIdxRadiusSearch.size (); ++i) std::cout << " " << cloud->points[ pointIdxRadiusSearch[i] ].x << " " << cloud->points[ pointIdxRadiusSearch[i] ].y << " " << cloud->points[ pointIdxRadiusSearch[i] ].z << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl; } return 0; } 編譯執(zhí)行的結果如圖： 未完待續(xù)************************************8 |
|
|
