点云库PCL从入门到精通

版次：1
页数：420
字数：661000
印刷时间：2019-2-1
开本：16开
纸张：轻型纸
印次：1
包装：平装-胶订

商品详情

编辑推荐

内容推荐

作者简介

章概述11PCL是什么12点云处理技术与PCL的前世今生13点云处理技术能给工程师们带来什么131测绘领域132无人驾驶领域133机器人领域134人机交互领域

章概述11PCL是什么12点云处理技术与PCL的前世今生13点云处理技术能给工程师们带来什么131测绘领域132无人驾驶领域133机器人领域134人机交互领域135逆向工程与其他工业自动化领域136BIM领域14PCL的结构与核心内容第2章PCL入门21快速安装与源码编译安装211Windows下配置安装PCL开发环境212ROS下配置搭建PCL开发环境213用第三方预编译包从源码搭建开发环境214从源码搭建开发环境22开发工程的建立与项目管理221Windows下建立编译链接PCL工程222ROS下建立编译链接PCL工程23PCL编码风格简介231PCL编程规范232如何编写新的PCL类233PCL的点类型以及如何增加自定义的点类型234PCL中的异常处理机制第3章输入输出（IO）31IO涉及的设备及相关概念311OpenNI及类Kinect设备312以Project Tango为代表的便携式消费级点云获取设备313PCL目前支持的点云获取设备314PCL中IO模块及类32IO入门级实例解析321PCD文件格式322PCD文件IO操作323两个点云中的字段或数据连接324基于OpenNI接口的点云数据获取325PLY、LAS等常见数据格式与PCD的转换326利用Kinect2获取点云数据33IO精通级实例解析331ROS下进行点云数据实时获取与可视化332自选设备scanCONTROL与PCL实时获取与可视化点云数据333利用Tango进行点云数据获取334基于Structure from Motion 的点云数据获取第4章kd tree与八叉树41kd tree和八叉树的概念及相关算法411kd tree概念及相关算法412PCL中kd tree模块及类413八叉树概念及相关算法 414PCL中八叉树模块及类42kd tree与八叉树入门级实例解析421在PCL中如何实现快速邻域搜索422在PCL中如何实现点云压缩423基于八叉树的空间划分及搜索操作424无序点云数据集的空间变化检测第5章可视化51PCL中visualization模块及类 52可视化入门级实例解析521简单点云可视化522可视化深度图像523PCLVisualizer可视化类524PCLPlotter可视化特征直方图53可视化精通级实例解析531PCL结合Qt使用框架532PCL结合MFC使用框架533客户端浏览器上对点云进行可视化点云库PCL从入门到精通目录第6章点云滤波61PCL中实现的滤波算法及相关概念611PCL中的点云滤波方案612双边滤波算法613PCL中filters模块及类62点云滤波入门级实例解析621使用直通滤波器对点云进行滤波处理622使用VoxelGrid滤波器对点云进行下采样623使用StatisticalOutlierRemoval滤波器移除离群点624使用参数化模型投影点云625从一个点云中提取一个子集626使用ConditionalRemoval或RadiusOutlierRemoval移除离群点627CropHull任意多边形内部点云提取63点云滤波精通级实例解析：IPhone X手机外壳全尺寸检测631项目需求概述632利用滤波可以实现的功能第7章深度图像71RangeImage概念及相关算法711深度图像简介712PCL中RangeImage的相关类 72深度图像入门级实例解析721如何从一个点云创建一个深度图像722如何从深度图像中提取边界73深度图像精通级实例解析点云到深度图的变换与曲面重建第8章关键点81关键点概念及相关算法82关键点入门级实例解析821如何从距离图像中提取NARF关键点822SIFT关键点提取 823Harris关键点提取83关键点精通级实例解析：基于对应点分类的对象识别第9章采样一致性91随机采样一致性相关概念及算法92采样一致性入门级实例解析93采样一致性精通级实例解析：两两点云获取设备自动标定931项目需求概述932具体实现0章3D点云特征描述与提取101特征描述与提取的概念及相关算法10113D形状内容描述子  1012旋转图像1013PCL中特征描述与提取模块及类102点云特征描述与提取入门级实例解析1021PCL中描述三维特征相关基础1022估计一个点云的表面法线1023使用积分图进行法线估计1024点特征直方图描述子1025快速点特征直方图描述子 1026估计一点云的VFH特征1027如何从一个深度图像中提取NARF特征1028特征描述算子算法基准化分析1029RoPs特征10210基于惯性矩与偏心率的描述子10211BoundaryEstimation进行边界提取103点云特征描述与提取精通级实例解析10313D对象识别的假设验证1032隐式形状模型方法1033点云数据视频流的刚性物体位姿估计与跟踪定位软件1章点云配准111PCL中实现的配准算法及相关概念1111一对点云配准1112对应估计1113对应关系去除1114变换矩阵估算

显示全部信息

前言

为什么要写这本书点云处理技术广泛应用在逆向工程、CAD/CAM、机器人学、激光遥感测量、机器视觉、虚拟现实、人机交互、无人驾驶等诸多领域。由于其涉及计算机学、图形

为什么要写这本书点云处理技术广泛应用在逆向工程、CAD/CAM、机器人学、激光遥感测量、机器视觉、虚拟现实、人机交互、无人驾驶等诸多领域。由于其涉及计算机学、图形学、人工智能、模式识别、几何计算、传感器等诸多学科，并且一直以来由于点云获取手段的昂贵，严重阻碍其在各个行业上的广泛应用，也造成国内点云处理的理论性和工具性书籍匮乏。在2010年，随着消费级RGBD（低成本点云获取）设备的大量上市，以微软的Kinect为前导，目前已有华硕、三星等多家公司开始量产此类产品，正在形成基于RGBD的新一代机器视觉生态链，包括Google的Project Tango和Intel的Realsense 3D相关技术产品，PCL（Point Cloud Library）应运而生并且发展迅速。PCL是在吸收了点云相关研究基础上建立起来的跨平台开源库，可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行，它实现了大量通用算法和数据结构，涉及点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等基础模块以及人体骨骼识别提取、动作跟踪识别等应用，并且新的其他应用正在大量增加。如果说OpenCV是2D信息获取与处理的结晶，那么PCL就在3D信息获取与处理上具有同等地位。笔者深信随着各大厂商对RGBD设备的大力推出，基于此设备的各种应用将会大量涌现，而PCL不仅是这类应用的核心关键技术，还会基于它进行扩展，从而极大地提高应用系统开发效率和稳定性。三维信息的获取与处理是笔者所在研究团队的重要方向之一，在农业对象的三维信息获取与重建、精细农业等领域不断探索新的获取技术和处理方法，同时也解决一些其他行业的三维应用问题。在2011年7月发现了OpenCV的姐妹PCL及其网站的RSS更新，时刻关注PCL在3D信息获取和处理方面的新动向，并与PCL结缘。在跟踪过程中发现，PCL对RGBD 数据的获取和处理提供了强大支持，并有大量的机器人、虚拟现实、人机交互、机器视觉等领域的应用案例，目前几乎每半个月就有新的开发计划，或者有新的资助者或开发者加入。加入PCL开发的团队来自包括全球的AIST, UC Berkeley, University of Bonn, University of British Columbia, ETH Zurich, University of Freiburg, Intel Reseach Seattle, LAAS/CNRS, MIT,University of Osnabr¨uck, Stanford University, University of Tokyo, TUM, Vienna University of Technolog, and Washington University in St Louis等知名高校和组织。资助PCL的组织和公司包括全球的Willow Garage, NVidia, Google, Toyota, Trimble, Urban Robotics,Honda Research Institute等跨国软硬件公司，这一切表明PCL强大的生命力和吸引力。同时我们团队已经把PCL作为开发出实际应用的基础平台和教学技术平台，用于跨平台支持嵌入式设备的3D信息获取与处理的基础库之一。目前PCL还在快速成长阶段，国内由本书团队早期整理的相关资料已经无法适应当前需要，鉴于此，经过团队讨论，把我们学习、授课课件以及开发应用期间整理的资料与国内读者一起分享，加快PCL在其他各行业的应用，推动3D信息快速获取与处理的发展。本书目标每一个新版本的PCL都会被下载超过百万次，这个数字还不包括下载源码开展自行编译的用户。PCL在全球范围内的使用者在迅速膨胀，并且每天都有更多的用户开始学习或者转型使用PCL。在国内，早期对PCL进行应用开发的团队还不多，而随着国外众多知名组织和公司的加入和赞助，和OpenCV初的发展一样，相信国内的用户数量也会增长很快。为此，本书希望能提供一个从入门到精通的学习过程，无论是初学3D点云处理的爱好者，还是行业从业人员，希望都能从本书获益，优选限度地节省您的入门与技术提升时间，作为主编，我相信我们团队出书的付出与努力，所节省的国内所有学习者的时间总和就是我们的社会贡献，终快速提升你的技术能力。注意：由于本书目标是学习手册，注重“理工”中的“工”，所以对理论部分的“理”进行了精简，力求帮助广大读者所学即可所用。读者对象这里我们根据软件需求划分出一些需要使用PCL的用户类型，这些用户都是本书真正的读者群。 机器人研究或应用开发者 机器视觉的研究或应用开发者 人机交互研究或应用开发者 交互式体感游戏开发者 虚拟现实研究或应用开发者 CAD/CAM、逆向工程和3D打印工作者 工业自动化测量、检测领域的研究或应用开发者 激光雷达遥感的研究或应用开发者 相关专业的研究生和本科生 三维数据处理技术教学团队 3D技术的发烧友如何阅读本书本书分为如下三大部分。部分为基础篇从章到第3章，简单介绍PCL的相关背景资料和基本使用方式，帮助读者了解一些基础背景知识，感受自己的研究应用领域在PCL基础上有哪些应用前景，学习如何快速搭建项目开发环境（Windows、Linux、ROS等平台）并熟悉PCL的使用方法以及编程规范，为读者使用PCL做好前期准备工作。第二部分为模块篇从第4章到3章，着重讲解PCL各个模块中涉及的3D点云处理的必要概念、模块API、入门级实例和精通级实例。每章结构都是，先简单介绍本章涉及的相关概念，再重点介绍一些模块相关的类和函数，后分析入门级的模块应用实例和精通级的实例，让读者不需要太多点云处理基础，也能轻松掌握PCL各个功能模块。第二部分涵盖点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等全部已基本定型的模块。第三部分是结合点云数据处理技术在不同行业的应用，与相关科研单位或公司合作撰写的行业应用实例，为读者在学好技术后，拓展下行业应用思路和动手能力，从而熟悉各个行业的相关典型应用。PCL版本PCL的发布更新以15X的小版本号来表示，本书是基于PCL180版本。PCL正在不断开发和完善中，但基本架构和设计思路基本确定，相信读者对本书介绍内容了解之后，对其他版本就轻车熟路了。请参照网站地址——http://docspointcloudsorg/trunk/moduleshtml。虽然本书中参考所用的API文档，仍然在不断更新类、函数，但模块基本确定，不会对PCL的理解产生困难。源代码本书的源代码、工程文件及相关实例的整理来自于PCL官方网站，但笔者针对PCL官方网站所提供的例子不足之处，进行了大量的修改和拓展，都以BSD(Berkeley Software Distribution)许可协议或者CCA（Creative Commons Attribution）30的形式发布，读者可以自由使用和分享，如果需要应用于商业领域，请注明版权所有者。如果你行使本许可授予的使用源代码的权利，就表明你接受并同意遵守本许可的条款，对其使用不得超越本许可授权的范围。我的理解是：PCL相关的内容，是可以免费进行商业和学术使用的，重要的是需要致谢作者和相关贡献者。勘误和支持由于作者的水平有限，编写的时间也很仓促，不妥之处在所难免，恳请读者批评指正。如果您有更多的宝贵意见，也欢迎发送邮件至我们团队的邮箱guohaolys@caueducn,很期待能够听到读者的真挚反馈，同时也可以在本书的赞助商PCLCN（wwwpclcnorg）的论坛上发布相关问题和意见。关于电子版书中有很多程序运行结果演示图，为了便于大家既能以便宜的价格买到本书，又能看到书中的原始图片，我们将于PCLCN（Point Cloud Learning in China）的官方网站（wwwpclcnorg）推出本书的部分电子配图，敬请期待。致谢我首先要感谢PCL创始人Radu的允许和鼓励，才有本书的面世，同时要感谢Radu以及PCL的众多开发人员，是他们的创新精神和辛勤努力才有这样一个优异的3D信息获取和处理的基础平台供大家分享。感谢笔者团队参与整理工作的伙伴：华明睿、苏杨、陈子睿、牛全弟、戴开璇、唐诗叶、田孟潇、马羽昊、谌罗超。同时感谢国家自然科学基金项目《基于非刚性点云数据的家畜(奶牛)体尺测量关键技术研究》（41601491）对笔者团队的支持。感谢本书的编者们以及来自PCLCN(Point Cloud Learning in China)社区（wwwpclcnorg）的科研和业界学者的协同努力和辛苦劳动，以及此处未明确提及但对本书出版做出贡献的朋友。后感谢我的家人，特别是我的母亲和妻子，在我撰书期间对我刚出生女儿的照顾。

显示全部信息