一个精简的开源点云库
Cilantro是一个精简高效的点云数据处理库,编程是C++,依赖项较少,但是相比较于PCL来说,代码更有可读性,PCL中大量的使用C++高级特性,阅读起来比较难并且不易重构拆解代码,而cilantro重点放在了3D案例上,尽量减少了样板代码的数量,包含了对点云常见的操作,是一个比较简单易懂的API,所以该库可以被广泛的模块化,并且支持多维度数据进行操作,同时保证对算法模块的模块化和可扩展性。作者是一位在Magic leap公司工作的计算机视觉工程师,是马里兰大学伯克利分校的计算机科学博士,是感知机器人小组的成员。
模块划分
点云基本处理模块
(1)一般尺寸的KD树(与PCL一样都用了第三方依赖项nanoflann)
(2)基于原始点云的曲面法向量和曲率的估计
(3)基于常用的尺寸网格的点云重采样算法
(4)主成分分析
(5)三维点云基本的IO操作(其中依赖了第三方库tinyply和Eigen库)
(6)rgbd图像对和点云之间的转换程序
点云凹凸以及空间检测模块
(1)使用了第三方库Qhull实现从常见维度点云凸多面体检测
(2)实现多个图多面体的并集检测运算
点云分类模块
(1)依赖第三方库nanoflann实现多维度的基于距离度量的K-mean聚类算法
(2)基于第三方库Spectra的各种拉普拉斯类型的频谱聚类
(3)支持自定义的基于内核的mean-shift聚类算法
(4)支持任意点之间基于联通性的点云分割算法
点云配准模块
支持任意对应搜索方式的ICP点云配准
(1)点对点的度量方式(通用维度)点对平面的度量(二维或者三维)或者其他任意组合下的刚性或者仿射对齐算法
(2)在点到点和点到平面度量的任意组合下,通过稳定的正则化,局部刚体或者仿射变换,实现二维或者三维点集的非刚性对齐,并支持稠密和稀疏的点云变换的算法。
点云模型估计模块
ransac估计器模板及其在一般维度上的实例:
(1)稳健超平面估计
(2)给定噪声对应的刚性点云配准
点云可视化模块模块
主要是依赖了第三方库Pangolin
安装与实例
安装Eigen以及 Pangolin
安装Eigen3
sudo apt-get install libeigen3-dev
安装Pangolin
sudo apt-get install libglew-dev libpython2.7-dev libboost-dev libboost-thread-dev libboost-filesystem-dev -y
git clone https://github.com/stevenlovegrove/Pangolin
cd Pangolin
mdkir build
cd build
cmake ..
make
sudo make install
安装完成后下载源码并编译
(已经fork到我们的github组群中)
git clone https://github.com/dianyunPCL/cilantro.git
编译
mkdir build
cd build
cmake ..
make
从cmake中我们可以看出来代码是比较精简的,一般性的第三方库都已经在include中,并且直接将其编译为.so文件,而我们在安装成eigen和pangolin
之后,将会编译example中的代码。所以如果想修改其中的代码,相比较PCL的库简单很多。
此时我们找一个example运行一下。这里以可视化的函数为例
./visualizer test.ply
以上就是文章的全部内容了,群主总结一下,该库相比较PCL功能少了很多,但是基本的点云处理涵盖了,并且支持处理的点云的类型主要是PLY格式,可以配合着PCL使用,当然其中还有很多的example,群主也没有细读代码,希望有兴趣的小伙伴可以尝试着自己运行,并且能够深入理解其中的代码,能够从这一套代码中独立出一个算法来,并且有所改进,这应该是是很多小伙伴想做的事情。这也是为了解答前几天在微信群里提问如何改进点云算法的问题吧,期待小伙伴们能够积极主动的邮件与我交流,相互学习。