k-d樹在PCL中的應用

上一講中，我們介紹了k-d樹在二維上的原理，k-d樹構建演算法和k-d樹是如何應用於最近鄰查詢演算法的。對於PCL中的k-d樹來說，只不過是將二維提升到了三維而已。下面我們就看看PCL是如何將k-d樹應用於範圍搜尋和最近鄰搜尋的。

PCL中使用的k-d樹的演算法來自FLANN（Fast Library for Approximate Nearest Neighbors），它是目前最完整的（近似）最近鄰開源庫。不但實現了一系列查詢演算法，還包含了一種自動選取最快演算法的機制。

K近鄰搜尋

K近鄰搜尋是給定查詢點及正整數K，從資料集中找到距離查詢點最近的K個數據。

標頭檔案

#include <pcl/kdtree/kdtree_flann.h>

步驟

1. 初始化k-d樹

// 初始化kdTree
pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
// 設定要搜尋的點雲
kdtree.setInputCloud(cloud);

1. 輸入查詢點和正整數K進行搜尋

kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance)

關鍵函式：

int 
      nearestKSearch (const
 
 PointT &point, int k, 
                      std::vector<int> &k_indices, std::vector<float> &k_sqr_distances) const;

• 輸入輸出引數：
  
  • point[in]：查詢點
  • k[in]：正整數K，即要搜尋的最近鄰點的數目
  • k_indices[out]：搜尋到的最近鄰點在點雲中的下標
  • k_sqr_distances[out]：搜尋到的最近鄰點距離查詢點的距離的平方值
  • 返回值：搜尋到的最近鄰點的數目

範圍搜尋

範圍搜尋就是給定查詢點和查詢距離的閾值，從資料集中找出所有與查詢點距離小於閾值的資料。

標頭檔案

#include <pcl/kdtree/kdtree_flann.h>

步驟

1. 初始化k-d樹

// 初始化kdTree
pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
// 設定要搜尋的點雲
kdtree.setInputCloud(cloud);

1. 輸入查詢點和搜尋半徑進行搜尋

kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance)

關鍵函式：

int 
      radiusSearch (const PointT &point, double radius, std::vector<int> &k_indices,
                    std::vector<float> &k_sqr_distances, unsigned int max_nn = 0) const;

• 輸入輸出引數：
  
  • point[in]：查詢點
  • radius[in]：搜尋半徑
  • k_indices[out]：搜尋到的最近鄰點在點雲中的下標
  • k_sqr_distances[out]：搜尋到的最近鄰點距離查詢點的距離的平方值
  • max_nn[in]：預設為0，搜尋到的點的上限，如果搜尋到的點數目多於它，那麼丟棄超出的部分；如果max_nn設為0或者大於搜尋點雲的大小，則返回所有找到的點。
  • 返回值：搜尋到的最近鄰點的數目

程式

/*
 * 功能：kdTree的應用，包括k最近鄰搜尋和範圍搜尋
*/


#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>

#include <iostream>
#include <vector>
#include <ctime>

using namespace std;

int
main(int argc, char** argv)
{
    // 種下隨機數種子
    srand(time(NULL));

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    // 用隨機數，隨機生成1000個點的無序點雲
    cloud->width = 1000;
    cloud->height = 1;
    cloud->points.resize(cloud->width * cloud->height);

    for (size_t i = 0; i < cloud->points.size(); ++i)
    {
        cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f);          // c++中rand()函式生成的範圍:0~RAND_MAX，
        cloud->points[i].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
    }

    // 初始化kdTree
    pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
    // 設定要搜尋的點雲
    kdtree.setInputCloud(cloud);

    pcl::PointXYZ searchPoint;

    searchPoint.x = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.y = 1024.0f * rand() / (RAND_MAX + 1.0f);
    searchPoint.z = 1024.0f * rand() / (RAND_MAX + 1.0f);

    // K近鄰搜尋

    int K = 10;

    std::vector<int> pointIdxNKNSearch(K);
    std::vector<float> pointNKNSquaredDistance(K);

    std::cout << "K nearest neighbor search at (" << searchPoint.x
        << " " << searchPoint.y
        << " " << searchPoint.z
        << ") with K=" << K << std::endl;

    if (kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0)
    {
        for (size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxNKNSearch[i]].x
            << " " << cloud->points[pointIdxNKNSearch[i]].y
            << " " << cloud->points[pointIdxNKNSearch[i]].z
            << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;
    }

    // 以radius為半徑的範圍搜尋

    std::vector<int> pointIdxRadiusSearch;
    std::vector<float> pointRadiusSquaredDistance;

    float radius = 256.0f * rand() / (RAND_MAX + 1.0f);

    std::cout << "Neighbors within radius search at (" << searchPoint.x
        << " " << searchPoint.y
        << " " << searchPoint.z
        << ") with radius=" << radius << std::endl;


    if (kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0)
    {
        for (size_t i = 0; i < pointIdxRadiusSearch.size(); ++i)
            std::cout << "    " << cloud->points[pointIdxRadiusSearch[i]].x
            << " " << cloud->points[pointIdxRadiusSearch[i]].y
            << " " << cloud->points[pointIdxRadiusSearch[i]].z
            << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
    }

    system("pause");
    return 0;
}