PCL利用RANSAC自行拟合分割平面

利用PCL中分割算法、

pcl::SACSegmentation<pcl::PointXYZ> seg;

，不利用法线参数，只根据模型参数得到的分割面片，与想象的面片差距很大，

  pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients ());
   pcl::PointIndices::Ptr inliers (new pcl::PointIndices ());
   // 创建分割对象
   pcl::SACSegmentation<pcl::PointXYZ> seg;
   // 可选
   seg.setOptimizeCoefficients (true);
   // 必选
   seg.setModelType (pcl::SACMODEL_PLANE);
   seg.setMethodType (pcl::SAC_RANSAC);
   seg.setMaxIterations ();
   seg.setDistanceThreshold (0.05);

后我采用RANSAC拟合的方法，进行面片的分割

     std::vector<int> inliers;    //存储局内点集合的点的索引的向量

     //进行RANSAC平面拟合
     pcl::SampleConsensusModelPlane<PointT>::Ptr    model_p(new pcl::SampleConsensusModelPlane<PointT>(cloud));        //针对平面模型的对象
     pcl::RandomSampleConsensus<PointT> ransacP(model_p);
     ransacP.setDistanceThreshold(.);        //与平面距离小于0.1的点作为局内点考虑
     ransacP.computeModel();                    //执行随机参数估计
     ransacP.getInliers(inliers);                //存储估计所得的局内点
     pcl::copyPointCloud<PointT>(*cloud, inliers, *cloud_in);    //复制估算模型的所有局内点到cloud_in中
     pcl::io::savePCDFile("./data/seg_RAN/RANSAC_building_1.pcd", *cloud_in);

得到：

之后我想迭代的进行面片拟合后分割出来，在索引的地方遇到了问题

于是想出来一个比较笨的办法：

 for (int i = ; i < cloud->points.size(); i++)
     {
         std::vector<int>::iterator iter = find(inliers.begin(), inliers.end(), i);
         if (iter == inliers.end())
         {
             cloud_out->points.push_back(cloud->points.at(i));
         }
     }

等同于自己写了一个分割的方法。

中间遇到的问题有：

点云的索引、有序点云与无序点云的写入、智能指针未实例化问题、

现在仍未搞明白PCL中的索引的使用方法。例如：PointIndices、 ExtractIndices 等

如有了解的小伙伴希望告知、互帮互助、共同进步！

2019-04-12  19:04:34