PCL環(huán)境搭建與在三維重建中的應(yīng)用

姜子鵬，卜凡亮，秦 靜

(中國人民公安大學(xué) 信息技術(shù)與網(wǎng)絡(luò)安全學(xué)院，北京 100038)

0 引言

在虛擬環(huán)境中，三維重建是處理、分析和操作模型的基礎(chǔ)[1]。根據(jù)獲取場(chǎng)景的不同可將其分為基于紋理信息和基于深度信息的三維重建[2]?；谏疃刃畔⒌闹亟煞譃榻佑|式和非接觸式，非接觸式技術(shù)又有主動(dòng)和被動(dòng)掃描的區(qū)別。常見飛行時(shí)間(time of flight，ToF) 相機(jī)、激光系統(tǒng)、結(jié)構(gòu)光系統(tǒng)和 Kinect 深度傳感器等[3]均使用了非接觸式主動(dòng)掃描技術(shù)。

現(xiàn)有三維重建技術(shù)可分為實(shí)時(shí)和非實(shí)時(shí)技術(shù)。非實(shí)時(shí)技術(shù)主要有雙目視差法、明暗恢復(fù)形狀法等。因存在計(jì)算復(fù)雜、操作繁瑣等問題，以上方法并不能實(shí)時(shí)應(yīng)用于三維場(chǎng)景重建。實(shí)時(shí)三維重建技術(shù)依靠設(shè)備發(fā)出光線與物體發(fā)生反射后，通過設(shè)備接收深度信息以完成重建。目前實(shí)時(shí)三維重建技術(shù)主要有: 單激光線掃描法[4]、傅里葉變換輪廓法、彩色條紋結(jié)構(gòu)光法等。實(shí)時(shí)三維重建算法效率高，處理數(shù)據(jù)量小，能有效處理噪聲。目前能用于實(shí)時(shí)三維重建的設(shè)備有基于結(jié)構(gòu)光的 Kinect[5]、基于Time of Flight的Camcube[6]和 Mesa Imaging Swiss Ranger 4000[7]。

針對(duì)三維重建的技術(shù)方法，國內(nèi)外學(xué)者進(jìn)行了大量研究。劉利剛等[8]采用一種實(shí)用性方法對(duì)不同視角下的不同身體部位進(jìn)行配準(zhǔn)，利用多個(gè)外設(shè)協(xié)調(diào)工作實(shí)現(xiàn)對(duì)動(dòng)態(tài)和靜態(tài)人體三維重建。劉鑫等[9]給出一種物體快速重建方法，借助圖形顯卡GPU，提出一種簡(jiǎn)單易用的粗標(biāo)定方法和全自動(dòng)快速物體重建方法。針對(duì)Kinect Fusion 需要大量 GPU存儲(chǔ)空間的問題，曾鳴[10]提出一種基于八叉樹的數(shù)據(jù)結(jié)構(gòu)，并在數(shù)據(jù)節(jié)點(diǎn)存儲(chǔ)符號(hào)距離函數(shù)，在八叉樹結(jié)構(gòu)的基礎(chǔ)上，重建更新和表面預(yù)測(cè)，從而高效利用 GPU 的并行計(jì)算能力。Rushmeier等[11]將基于深度圖像的三維重建過程分為幾何處理和面的表示。Peter Henry等[12]利用SIFT特征匹配定位和TORO優(yōu)化算法，設(shè)計(jì)了一種實(shí)時(shí)視覺SLAM系統(tǒng)。Fiorairo等[13]提出了RGB-D SLAM算法，使用 Hogman優(yōu)化算法和SURF特征匹配搭建實(shí)時(shí)性高、魯棒性強(qiáng)的重建系統(tǒng)。Harris 等[14]首次提出角點(diǎn)的定義。Shi等[15]在此基礎(chǔ)上進(jìn)行改進(jìn)，提出一種效果更好的角度提取方法。目前使用比較廣泛的特征點(diǎn)提取和匹配方法是SIFT(scale-invariant feature transform)方法[16]。

本文結(jié)合現(xiàn)有研究課題，聚焦于PCL環(huán)境搭建過程及點(diǎn)云庫在三維重建中的應(yīng)用，以SIFT算法為基礎(chǔ)，結(jié)合FLANN算法，對(duì)圖像進(jìn)行特征提取與匹配，以提高特征匹配效率。

1 PCL

點(diǎn)云庫，全稱Point Cloud Library (PCL)[17]，是一個(gè)既可以單獨(dú)使用又可以作為輔助工具的工程，本質(zhì)是一個(gè)開源C++編程庫，可以在Windows和Linux等操作系統(tǒng)上運(yùn)行。點(diǎn)云庫常被用于處理點(diǎn)云數(shù)據(jù)和二維或三維圖像。建立點(diǎn)云庫的最初目的是為三維點(diǎn)云數(shù)據(jù)處理和ROS[18]研究及應(yīng)用建立一個(gè)基礎(chǔ)架構(gòu)。PCL第一個(gè)基礎(chǔ)算法是由Dr. Rusu開發(fā)，于2009年由Willow Garage公司進(jìn)一步開發(fā)完成。若OpenCV[19]是二維信息獲取與處理的結(jié)晶，則點(diǎn)云庫在三維信息獲取與處理上具有同等地位。

1.1 PCL結(jié)構(gòu)

PCL將三維重建和點(diǎn)云數(shù)據(jù)處理中所有常見功能整合在一起，保證了算法緊湊性和結(jié)構(gòu)清晰性，提高了算法代碼簡(jiǎn)潔性[20]。PCL功能如圖1所示。

圖1 PCL功能模塊

1.2 PCL模塊功能

PCL模塊功能[21]包括：① Common模塊包含常用庫，提供常用函數(shù)；②Filters模塊，去除噪音點(diǎn)，為特征提取等過程提供過濾器；③Features模塊，實(shí)現(xiàn)邊界點(diǎn)估計(jì)， 計(jì)算NARF描述子等；④ Keypoints模塊，實(shí)現(xiàn)關(guān)鍵點(diǎn)提取，決定在何處提取特征描述符；⑤Registration模塊，實(shí)現(xiàn)點(diǎn)云的配準(zhǔn)方法；⑥Kd-tree模塊，實(shí)現(xiàn)基于FLANN的KD樹最近鄰搜索；⑦Oc-tree模塊，實(shí)現(xiàn)基于八叉樹最近鄰搜索；⑧Segmentation模塊，實(shí)現(xiàn)點(diǎn)云分割提??；⑨ Sample Consensus模塊，對(duì)點(diǎn)云進(jìn)行擬合；⑩Surface模塊，實(shí)現(xiàn)表面重建技術(shù)；Range Image模塊，深度圖，由Kinect獲取后可轉(zhuǎn)換為點(diǎn)云；IO模塊，實(shí)現(xiàn)PCD (Point Cloud Data) 文件的讀寫和數(shù)據(jù)輸入輸出；Visualization模塊， 實(shí)現(xiàn)基于VTK依賴庫的三維可視化。

2 Windows運(yùn)行平臺(tái)

本文編譯環(huán)境為Microsoft Visual Studio 2010，操作系統(tǒng)分別是32位Windows 7和64位 Windows 10，不適用于其它編譯環(huán)境。

2.1 預(yù)編譯包搭建

2.1.1 預(yù)編譯包介紹

預(yù)編譯包是一個(gè)集成了PCL中第三方依賴庫的安裝包，因依賴庫被提前編譯過，安裝后即可直接使用。

為方便初學(xué)者在最短時(shí)間內(nèi)體驗(yàn)到PCL的強(qiáng)大功能，PCL官方網(wǎng)站為Windows用戶提供了經(jīng)典PCL 1.6.0版本及其相應(yīng)PDB(程序數(shù)據(jù)庫)文件下載。適合該版本PCL的運(yùn)行系統(tǒng)是編程兼容性最強(qiáng)的Windows7(32位)操作系統(tǒng)。PCL預(yù)編譯包如圖2所示。

圖2 PCL預(yù)編譯包

2.1.2 預(yù)編譯包安裝

安裝預(yù)編譯包時(shí)，需要注意運(yùn)行版本的選擇，否則安裝時(shí)系統(tǒng)可能因不兼容而報(bào)錯(cuò)。因?yàn)轭A(yù)編譯包中的OpenNI版本老舊，所以為保證能在PCL配置完成后，順利通過外接設(shè)備(Kinect)獲得包含點(diǎn)距離信息的深度圖像，需要另外安裝最新的OpenNI(開放式自然交互)相關(guān)組件。本文選擇安裝的32位PCL1.6.0版本安裝包以及OpenNI相關(guān)組件如下所示：

PCL-1.6.0-AllInOne-msvc2010-win32.exe

OpenNI-Win32-1.5.4-Dev.msi

Sensor-Win-OpenSource32-5.1.0.msi

安裝預(yù)編譯包時(shí)選好安裝路徑，推薦選擇默認(rèn)的3個(gè)安裝包安裝目錄，以便系統(tǒng)自動(dòng)設(shè)置環(huán)境變量及安裝路徑，然后按照指示完成安裝。預(yù)編譯包及相關(guān)組件安裝完成后，手動(dòng)下載圖2顯示的PDB(程序數(shù)據(jù)庫)文件，再解壓到預(yù)編譯包安裝目錄的“bin”文件夾下。

完成以上操作后，需要對(duì)OpenNI進(jìn)行運(yùn)行測(cè)試。運(yùn)行安裝目錄中的測(cè)試程序Ni- Viewer(64).exe，看到圖3所示的影像后，說明OpenNI安裝成功，能夠被PCL調(diào)用，可進(jìn)行下一步工作。

圖3 OpenNI運(yùn)行示例

2.1.3 環(huán)境變量設(shè)置

一般情況下，預(yù)編譯包安裝完成后，系統(tǒng)變量會(huì)被自動(dòng)設(shè)置，如果沒有，可以手動(dòng)添加。在系統(tǒng)變量里添加“PCL_ROOT:(你的PCL的安裝路徑)”，在系統(tǒng)變量Path里加入：%PCL_ROOT%in。

2.1.4 包含目錄設(shè)置

本文PCL安裝在C盤。首先，在VS新建一個(gè)項(xiàng)目，在屬性管理器中找到VC++的包含目錄，添加第三方依賴庫頭文件夾路徑。第三方依賴庫“include”頭文件夾可在PCL安裝目錄中“3rdParty”文件夾中找到，見圖4。

圖4 頭文件路徑添加

2.1.5 庫目錄設(shè)置

在新建項(xiàng)目的屬性管理器中找到VC++選項(xiàng)，在其庫目錄中添加 C:Program Files PCL 1.6.0lib等第三方依賴庫靜態(tài)鏈接庫的路徑。第三方依賴庫“l(fā)ib”庫文件夾也可在PCL安裝目錄的“3rdParty”文件夾中找到，見圖5。

圖5 庫文件路徑添加

2.1.6 附加依賴項(xiàng)設(shè)置

添加附加依賴項(xiàng)，將本文安裝的幾個(gè)第三方依賴庫靜態(tài)鏈接庫名稱全部添加到“工程屬性頁→鏈接器→輸入項(xiàng)”中，見圖6。第三方依賴庫靜態(tài)庫可以在相應(yīng)安裝目錄下的“l(fā)ib”文件夾中找到。

圖6 靜態(tài)庫添加

由于需要添加靜態(tài)鏈接庫的數(shù)量過多，所以無法一一列舉，只能以截圖的方式顯示部分添加的靜態(tài)鏈接庫，見圖7。需要添加的靜態(tài)鏈接庫數(shù)量為199個(gè)，圖7展示的只是其中的22個(gè)，其余靜態(tài)庫未被展示。

圖7 部分靜態(tài)鏈接庫

2.2 利用第三方編譯包的源碼搭建

本文推薦利用第三方庫編譯包從源碼搭建PCL，雖然沒有利用PCL預(yù)編譯包直接安裝的便捷，但比手動(dòng)編譯第三方依賴庫和源代碼簡(jiǎn)單、省時(shí)。這種配置方法一方面繼承了源碼搭建的優(yōu)點(diǎn)——既可了解源代碼編譯工作原理和過程，另一方面又克服了預(yù)編譯包只能安裝特定PCL版本的缺點(diǎn)，能夠在允許范圍內(nèi)隨意切換PCL源代碼版本進(jìn)行編譯，隨時(shí)補(bǔ)充和更新PCL功能。

2.2.1 第三方依賴庫安裝

搭建過程必備的第三方依賴庫有：用于共享指針和線程的Boost(C++半標(biāo)準(zhǔn)庫)[22]；用作SSE優(yōu)化數(shù)學(xué)的矩陣后端Eigen(矩陣類庫)[23]；基于KD樹中的快速近似最近鄰搜索的FLANN(近似最近鄰搜索庫)；用于三維點(diǎn)云渲染和可視化的VTK(可視化工具包)[24]。

另外，可以選擇性安裝的依賴庫有：用于曲面上凸凹?xì)し纸獾腝Hull(計(jì)算幾何庫)；OpenNI (RGB-D傳感器庫)；具有圖形用戶界面的應(yīng)用程序Qt。

第三方依賴庫有多個(gè)版本，需要選擇跟操作系統(tǒng)、編譯環(huán)境和PCL相匹配的版本，才能保證PCL順利配置。本文系統(tǒng)環(huán)境參數(shù)包括：①操作系統(tǒng)，64位Windows 10；②編譯環(huán)境包括Microsoft Visual Studio 2010(提供Kinfu模塊)；③第三方依賴庫，如圖8所示。

圖8 第三方依賴庫

2.2.2 源代碼編譯

首先獲取PCL源代碼。源代碼版本眾多，到目前為止已經(jīng)更新到PCL 1.8.1，源代碼可從GitHub官方網(wǎng)站下載。圖9為本文下載到的多個(gè)PCL版本。

圖9 源代碼的幾個(gè)不同版本

運(yùn)行CMake - GUI(見圖10)應(yīng)用程序，點(diǎn)擊“Configure(配置)”按鈕。

圖10 CMake - GUI用戶界面

本文使用Microsoft Visual C++ 2010編譯器，構(gòu)建32位PCL，可選擇“Visual Studio 10”生成器；構(gòu)建64位PCL，可選擇“Visual Studio 10 Win64”。本文選用64位PCL。

選擇生成器后，點(diǎn)擊Finish關(guān)閉對(duì)話框窗口。CMake將開始配置PCL并查找其依賴庫。CMake在尋找依賴庫時(shí)會(huì)出現(xiàn)多種找不到路徑的情況，需人工幫助尋找。

對(duì)PCL源代碼進(jìn)行Configure和 Generate，然后打開CMake生成的VS2010解決方案進(jìn)行編譯即可，對(duì)ALL-BUILD和INSTALL各Debug和Release編譯一次。Debug生成的是調(diào)試版本的程序，使用者可隨時(shí)對(duì)程序代碼進(jìn)行調(diào)試修改；Release生成的是完美編譯后封裝好的程序，無法進(jìn)行調(diào)試。建議后續(xù)使用過程中使用Release版，在使用過程中不會(huì)影響程序代碼。對(duì)所有項(xiàng)目進(jìn)行編譯需約半小時(shí)的時(shí)間消耗。

2.2.3 環(huán)境變量設(shè)置

在操作系統(tǒng)環(huán)境變量里添加系統(tǒng)變量。添加過程與預(yù)編譯包系統(tǒng)變量添加過程相同。

2.2.4 工程目錄及依賴項(xiàng)添加

在VS2010新建項(xiàng)目中的屬性管理器里添加包含目錄、庫目錄和依賴項(xiàng)，添加過程同預(yù)編譯包工程目錄和依賴項(xiàng)的添加過程。

3 Linux運(yùn)行平臺(tái)

3.1 依賴庫安裝

本文選擇Linux運(yùn)行平臺(tái)版本為Ubuntu16.04。

首先，打開Ubuntu終端，下載第三方依賴庫，命令行代碼見圖11。

圖11 安裝第三方庫命令行代碼

在Ubuntu終端逐行輸入圖11中的命令并運(yùn)行，在保證每一個(gè)依賴庫安裝成功后，才可進(jìn)行后續(xù)操作。

3.2 源代碼下載

從Linux社區(qū)下載源代碼，其命令行代碼見圖12。

圖12 源代碼下載命令

源代碼文件218.43M，包含106 789個(gè)子文件。下載過程耗時(shí)較長，見圖13。

圖13 源代碼下載

3.3 編譯源代碼

完成安裝依賴庫和下載源代碼兩個(gè)準(zhǔn)備工作后，可開展編譯源代碼。按照?qǐng)D14中的5句命令逐一輸入終端并運(yùn)行，即可進(jìn)行源代碼編譯。

圖14 編譯源代碼

經(jīng)過安裝依賴庫、下載源代碼和編譯源碼步驟后，Linux平臺(tái)PCL安裝成功，如圖15、圖16所示。

圖15 安裝好的PCL模塊

圖16 PCL配置成功

4 應(yīng)用實(shí)驗(yàn)

4.1 特征點(diǎn)匹配

4.1.1 FLANN 特征緊鄰像素匹配

近鄰搜索問題在圖像識(shí)別和數(shù)據(jù)分析等各種應(yīng)用中具有重要意義。但是，沒有一種算法比標(biāo)準(zhǔn)的蠻力搜索能更好地在高維度空間中解決該問題。Muja & Lowe[25]于2009年提出了基于K均值樹[26]或KD樹[27]搜索的FLANN算法，該算法可以根據(jù)數(shù)據(jù)集或點(diǎn)云分布特點(diǎn)推薦建立索引類型。FLANN (近似最近鄰快速庫)是用C++編程語言編寫、用于執(zhí)行快速近似最近鄰搜索的庫。同時(shí)，F(xiàn)LANN算法在高維空間最近鄰查找中不會(huì)受到局部敏感哈希[28]影響。該算法運(yùn)用的特征空間是向量空間Rn(n維)，其重點(diǎn)在于使用歐幾里得距離[29]找到目標(biāo)點(diǎn)鄰近點(diǎn)。特征點(diǎn)g和特征點(diǎn)k的特征分向量可以分別記為Dg和Dk，歐氏距離d(g,k) 可以表示為：

d(g,k) =

(1)

本文首先利用 KD樹將二維圖像數(shù)據(jù)點(diǎn)劃分為幾個(gè)特定部分，目的是在KD樹結(jié)構(gòu)中尋找與目標(biāo)點(diǎn)距離最近的歐氏距離。將所有檢索到的歐氏距離d(g,k)通過KD樹存儲(chǔ)，然后可有效搜索到與目標(biāo)點(diǎn)距離最近的點(diǎn)。整個(gè)搜索過程是一個(gè)自上而下的遞歸過程，將查詢點(diǎn)和分割點(diǎn)的值進(jìn)行循環(huán)比較，判別查詢點(diǎn)在左區(qū)域還是右區(qū)域，再進(jìn)行循環(huán)和對(duì)應(yīng)分割點(diǎn)比較，直到搜索成功為止。

4.1.2 SIFT匹配算法

Lowe[[30]于2004年提出了一種具有劃時(shí)代意義的高效局部特征算法—SIFT(Scale Invariant Feature Transform)算法。在不同尺度空間中尋找特征點(diǎn)進(jìn)行描述，最后進(jìn)入算法核心的匹配環(huán)節(jié)。因此可以將SIFT算法概括成以下步驟(見圖17)：

圖17 SIFT算法流程

(1)搜索特征點(diǎn)。根據(jù)尺度空間理論[[31]，在圖像多尺度空間中尋找并確認(rèn)每一個(gè)尺度空間里對(duì)應(yīng)極值點(diǎn)，獲得極值點(diǎn)所在位置的像素坐標(biāo)，這些坐標(biāo)包含備選特征點(diǎn)位置信息。剔除低對(duì)比度的極值點(diǎn)和易受噪聲干擾的備選特征點(diǎn)，得到被篩選過的特征點(diǎn)集。

(2)詳細(xì)描述提取的特征點(diǎn)。對(duì)特征點(diǎn)的鄰域進(jìn)行梯度加權(quán)計(jì)算，得到對(duì)應(yīng)的鄰域梯度幅度值和方向，利用直方圖方法獲取每個(gè)鄰域梯度主幅度值和主方向；然后再通過計(jì)算得到以該特征點(diǎn)為中心像素點(diǎn)的梯度主幅度值和主方向，利用特征描述向量描述該特征點(diǎn)。

(3)關(guān)鍵點(diǎn)匹配。對(duì)于兩個(gè)匹配特征點(diǎn)存在最鄰近匹配對(duì)與次鄰近匹配對(duì)，將最鄰近歐式距離與次鄰近歐式距離進(jìn)行相比，若比值小于某一設(shè)定閾值則為正確匹配。最后采用RANSAC算法[ [32]對(duì)點(diǎn)對(duì)進(jìn)行進(jìn)一步優(yōu)化。

4.1.3 實(shí)驗(yàn)過程

利用Kinect獲取兩張RGB圖像(見圖18、圖19)，作為初始輸入圖像。

圖18 RGB1

圖19 RGB2

圖19是彩色攝像機(jī)在圖18的視角基礎(chǔ)上向右平移后拍攝的圖像。

首先，使用SIFT算法，利用關(guān)鍵點(diǎn)周圍的像素，計(jì)算關(guān)鍵點(diǎn)描述子以便對(duì)關(guān)鍵點(diǎn)進(jìn)行描述，計(jì)算參數(shù)為關(guān)鍵點(diǎn)半徑及角度。特征描述子不是單純的標(biāo)量，還是一個(gè)矩陣，一個(gè)特征向量為一行。當(dāng)兩個(gè)特征點(diǎn)越相似，其描述子也越相似。圖20是對(duì)初始RGB1圖像進(jìn)行特征描述子計(jì)算后的輸出圖像。

圖20 RGB1特征描述子選取

圖21 特征描述子粗匹配

然后，使用FLANN搜索匹配算法對(duì)已經(jīng)計(jì)算出來的特征描述子進(jìn)行匹配(見圖21)。經(jīng)過對(duì)關(guān)鍵點(diǎn)特征描述子粗匹配后，總共得到620對(duì)匹配點(diǎn)對(duì)。從結(jié)果可以看出，僅依靠描述子匹配得到的結(jié)果繁多，且把許多并不相似的點(diǎn)對(duì)也進(jìn)行了匹配。

針對(duì)不相似點(diǎn)對(duì)過多的問題，本文首先進(jìn)行一次篩選,去除第一類誤匹配情況，即去掉相距距離太大的點(diǎn)對(duì)。篩選原則是去掉大于4倍最小距離的點(diǎn)對(duì)。經(jīng)過一次剔除處理，錯(cuò)誤的匹配對(duì)明顯減少(見圖22)，與圖21特征描述子粗匹配相比，輸出的圖像干凈整潔了許多，處理后的關(guān)鍵點(diǎn)特征匹配點(diǎn)對(duì)驟降為128對(duì)。第一次篩選處理剔除了492對(duì)無關(guān)匹配，降低了后續(xù)處理的工作量，節(jié)約了時(shí)間。

圖22 一次處理后匹配點(diǎn)對(duì)

圖23 二次處理得到的特征點(diǎn)對(duì)

通過細(xì)致觀察可以發(fā)現(xiàn)，兩個(gè)RGB源圖像之間只發(fā)生了水平方向旋轉(zhuǎn)，所以正確的匹配線應(yīng)該是水平的，非水平匹配線為誤匹配。圖22顯示出匹配點(diǎn)對(duì)存在個(gè)別錯(cuò)誤的匹配。針對(duì)出現(xiàn)的第二類誤匹配情況，可以利用PCL的RANSAC算法進(jìn)行二次篩選處理(見圖23)。

經(jīng)過二次處理，得到圖23的結(jié)果。剔除了第二類誤匹配情況后，得到了一幅含有16對(duì)特征匹配點(diǎn)對(duì)的圖像，二次處理去掉了112對(duì)誤匹配點(diǎn)對(duì)。通過觀察表1以及圖23可以發(fā)現(xiàn)，利用PCL的RANSAC算法可以得到一個(gè)數(shù)量適中且較為準(zhǔn)確的關(guān)鍵點(diǎn)特征匹配結(jié)果，并且極大降低了誤匹配率。

表1 匹配點(diǎn)對(duì)處理結(jié)果對(duì)比

但在圖23中，特征點(diǎn)對(duì)仍有2對(duì)誤匹配，這是由于兩幅RGB源圖中的關(guān)鍵點(diǎn)特征描述子過于相似導(dǎo)致的。針對(duì)圖23中出現(xiàn)的第三類誤匹配情況，還需要后續(xù)通過調(diào)整關(guān)鍵點(diǎn)搜索匹配算法、細(xì)化篩選處理標(biāo)準(zhǔn)以及相關(guān)參數(shù)解決該問題，以得到更好的匹配結(jié)果。

4.2 點(diǎn)云處理

4.2.1 點(diǎn)云實(shí)時(shí)抓取

通過調(diào)用PCL中輸入輸出模塊(IO)的抓取函數(shù)和可視化模塊(Visualization)的點(diǎn)云查看函數(shù)，實(shí)現(xiàn)外接設(shè)備通過第三方接口與編譯環(huán)境的連通，完成對(duì)空間物體的實(shí)時(shí)點(diǎn)云化處理與顯示(見圖24)。

圖24 點(diǎn)云實(shí)時(shí)顯示

圖25 PCD文件讀取

4.2.2 點(diǎn)云文件讀取與初步重建

點(diǎn)云數(shù)據(jù)以PCD(Point Cloud Data)文件(見圖25)為常用載體進(jìn)行儲(chǔ)存，PCD的內(nèi)容以ASCII碼的形式展現(xiàn)，方便計(jì)算機(jī)寫入與讀取。

由未經(jīng)后期處理的原始點(diǎn)云數(shù)據(jù)重建成的三維空間圖像如圖26所示。從圖中可以看出，重建的空間模型大致輪廓存在，但是紋理信息缺失，而且還有嚴(yán)重的數(shù)據(jù)丟失，導(dǎo)致重建模型圖并不完整。

圖26 三維重建圖像

5 結(jié)語

本文在Windows及Linux系統(tǒng)下完成了PCL搭建，指出了配置過程中應(yīng)注意的多個(gè)事項(xiàng)，為尚在PCL環(huán)境搭建初學(xué)者提供了有效參考。同時(shí)，在采用傳統(tǒng)SIFT特征點(diǎn)提取算法的基礎(chǔ)上，結(jié)合FLANN搜索匹配算法對(duì)特征點(diǎn)進(jìn)行匹配，降低了誤匹配率，取得了很好的實(shí)驗(yàn)結(jié)果，但是仍存在數(shù)量較小的誤匹配，這也是今后研究中需要解決的問題。另外，重建模型紋理細(xì)節(jié)還不夠明顯，需要后期進(jìn)一步優(yōu)化。