Einführung Point Cloud Library

Größe: px

Ab Seite anzeigen:

Download "Einführung Point Cloud Library"

Lennart Fürst
vor 8 Jahren
Abrufe

1 Fakultät Umweltwissenschaften / Professur für Photogrammetrie Professur für Geoinformationssysteme Einführung Point Cloud Library

2 Inhalt 1. Was ist PCL? 2. Was kann PCL? 3. Wie funktioniert PCL? 4. Module 5. Klassen 6. Klassen-/Funktionsverkettung 7. Point Cloud Data (PCD) 8. Workflow 9. Beispiele TU Dresden, Folie 2

3 1. Was ist PCL? Open-Source-Framework zur 3D/4D Punktwolken- /Geometrienprozessierung C++ Libraries Plattformunabhängig Standalone Ansammlung umfangreicher Module/Libraries TU Dresden, Folie 3

4 TU Dresden, Folie 4

5 Quelle: An Entwicklung beteiligt Quelle: Finanzielle Unterstützer TU Dresden, Folie 5

org/about/#open Finanzielle Unterstützer

6 2. Was kann PCL? Filterung Oberflächenkonstruktion Schätzverfahren Model fitting Erkennung von Ausreißern Rauschminderung Segmentierung Objekterkennung Visualisierung Punktwolkenregistrierung TU Dresden, Folie 6

7 3. Wie funktioniert PCL? Allgemeingültige und wiederverwendbare Prozesse in Moulen mit diversen Klassen/Funktionalitäten Verwendung gängiger APIs und Libraries: Eigen (Matrizen, Vektoren, Lineare Algebra) FLANN (Fast Library for Approximate Nearest Neighbors) Qhull (konvexe Hülle, Delaunay Triangulation, Voronoi ) OpenMP (Thread Multiprocessing) Usw. TU Dresden, Folie 7

Verwendung gängiger APIs und Libraries: Eigen (Matrizen, Vektoren, Lineare Algebra) FLANN (Fast

8 Einfacher Programmablauf: 1. Prozessobjekt erstellen 2. Input setzen 3. Parameter setzen 4. Ausführen TU Dresden, Folie 8

9 TU Dresden, Folie 9

10 TU Dresden, Folie 10

11 4. Module TU Dresden, Folie 11

12 Common: Grundlagen Gemeinsam genutzte Datenstruktur und Methoden PointCloudClass Punkttypen Distanzberechnung etc IO: Input/Output Lesen/Schreiben der Punktwolke in Point Cloud Data TU Dresden, Folie 12

13 Filter: Statistische Ausreißerverfahren TU Dresden, Folie 13

14 Features: Schätzfunktionen Normalen-, Krümmungsberechnung K-Nachbarschaften TU Dresden, Folie 14

15 KDTree: Nachbarschaftssuche K-dimensionaler Baum zur Raumpartitionierung Splittet entlang der Dimension Binärbaum TU Dresden, Folie 15

16 OCTree 8er Baum (nicht binär) Splittet entlang des Punktes Ebenso Raumteilung TU Dresden, Folie 16

17 Registration: Punktwolken verbinden Transformation TU Dresden, Folie 17

18 Sample Consensus: Template Objekte für Abgleich Auffinden geometrischer Formen (Zylinder, Kugel etc.) Z.B. mit Hilfe von RANSAC Modeldetektion + Parameter (Plane Fitting: Türen, Wände TU Dresden, Folie 18

19 Segmentation: Clusterbildung Auffinden isolierter Regionen Geeignet zur Vorprozessierung TU Dresden, Folie 19

20 TU Dresden, Folie 20

21 5. Klassen VoxelGrid Grid über Punktwolke -> mehrere Punkte durch Schwerpunkt ersetzen OutlierRemoval Ausreißer über durchschnittliche Entfernungen finden SACSegmentation Detektieren von Modellen (RANSAC) TU Dresden, Folie 21

22 EuclideanClusterExtraction Clustersuche BoundaryEstimation Oberflächenpunkte in Abhängigkeit vom Winkelkriterium finden ConcaveHull TU Dresden, Folie 22

23 PlaneWithPlaneIntersection Schnittgeraden finden LineWithLineIntersection Schnittpunkte finden TU Dresden, Folie 23

24 6. Klassen-/Funktionenverkettung TU Dresden, Folie 24

25 7. Point Cloud Data (PCD) TU Dresden, Folie 25

26 8. Workflow Punktwolke (CSV->PCD) Randpunkte aller Flächen Voxel Grid BoundaryEstimation OutlierRemoval PlaneSegmantation Segmentation EuclideanClusterExtraction TU Dresden, Folie 26

27 Randpunkte aller Flächen SACSegmantion(Line) Concave Hull Punkte OutlierRemoval Koeffizienten LineIntersection Signifikante Punkte für Fläche (zu viele Punkte + Konkavproblem) Signifikante Punkte für Fläche (zu viele Punkte) Signifikante Punkte für Fläche (wenige Punkte, jedoch Geometrieverlust möglich TU Dresden, Folie 27

28 9. Beispiele TU Dresden, Folie 28

29 Punktwolke (CSV->PCD) pcl::voxelgrid<sensor_msgs::pointcloud2> sor; //1. Objekt erstellen sor.setinputcloud (cloud_input); //2. Input setzen sor.setleafsize (0.25f, 0.25f, 0.25f); //3. Parameter setzen sor.filter (*cloud_output); //4. Ausführen Voxel Grid TU Dresden, Folie 29

30 pcl::statisticaloutlierremoval<pcl::pointxyz> sor; //1. Objekt erstellen sor.setinputcloud (cloud); //2. Input setzen sor.setmeank (50); //3.Parameter setze, Nachbaranzahl + Schwellenwert sor.setstddevmulthresh (1.0); sor.filter (*cloud_filtered); //4.Ausführung OutlierRemoval TU Dresden, Folie 30

31 pcl::sacsegmentation<pcl::pointxyz> seg; //1. Objekt erstellen //Input wird später hinzugefügt //3.Parameter setzen, Modelltyp, Methode, Schwellenwert seg.setmodeltype (pcl::sacmodel_plane); seg.setmethodtype (pcl::sac_ransac); seg.setdistancethreshold (0.5);... SACSagmentation TU Dresden, Folie 31

32 ... nr_points = (int) cloud ->points.size (); while (cloud ->points.size () > 0.01 * nr_points) { } seg.setinputcloud (cloud); //2.Input setzen seg.segment (*inliers, *coefficients); //4.Ausführen SACSagmentation TU Dresden, Folie 32

33 ClusterExtraction TU Dresden, Folie 33

34 BoundaryEstimation TU Dresden, Folie 34

35 ConcaveHull Signifikante Punkte für Fläche TU Dresden, Folie 35

36 SACSegmentation (Line) pcl::sacsegmentation<pcl::pointxyz> seg; //1. Objekt erstellen //Input wird später hinzugefügt //3.Parameter setzen, Modelltyp, Methode, Schwellenwert seg.setmodeltype (pcl::sacmodel_line); seg.setmethodtype (pcl::sac_ransac seg.setdistancethreshold (0.5); nr_points = (int) cloud ->points.size (); while (cloud ->points.size () > 0.01 * nr_points) { seg.setinputcloud (cloud); //2.Input setzen seg.segment (*inliers, *coefficients); //4.Ausführen } OutlierRemoval LineIntersection TU Dresden, Folie 36

37 OutlierRemoval LineIntersection Signifikante Punkte für Fläche Signifikante Punkte für Fläche TU Dresden, Folie 37

38 ConcaveHull Variante SACSegmentation Punkte-Variante SACSegmentation Koeffizienten-Variante TU Dresden, Folie 38

39 TU Dresden, Folie 39

Ähnliche Dokumente

Point Cloud Library. Tutorial / Einführung. Für das Modul. Objekterkennung und Geodatenfusion. Fragen an : danilo.schneider@tu-dresden.

Point Cloud Library. Tutorial / Einführung. Für das Modul. Objekterkennung und Geodatenfusion. Fragen an : danilo.schneider@tu-dresden. Tutorial / Einführung Für das Modul Objekterkennung und Geodatenfusion Point Cloud Library Fragen an : danilo.schneider@tu-dresden.de stephan.maes@tu-dresden.de bernd.grafe@tu-dresden.de 1 Inhalt: 1. Was