PCL项目细节记录（个人）

线性插值

// /home/hcq/github/point_clouds_curb_detection/ws_curb/src/CurbDetection/src/cluster_polygon.cpp
void ClusterPolygon::connectPolygon(PointCloudType::Ptr bound, PointCloudType::Ptr edge){
    bound->points.push_back(bound->points[0]);  // 最后添加一个点，其实用不到，只是为了后面循环最后一个数的时候，防止p2为空
    float resolution = 0.2f; // 分辨率
    int iten = 0;
    for(int i = 0; i < static_cast<int>(bound->points.size()) - 1; i++){
        PointT p1 = bound->points[i];
        PointT p2 = bound->points[i + 1];
        if(i == 0){
            iten++;
            p1.intensity = iten;
            edge->points.push_back(p1); // 保存在edge中
        }
        float dis = sqrt(pow(p1.x - p2.x, 2) + pow(p1.y - p2.y, 2) + pow(p1.z - p2.z, 2));  // 两点距离
        int insertNum = ceil(dis / resolution);  // 取整函数ceil(),floor()
        for(int m = insertNum; m >= 1; m--){
            iten++;
            PointT addPt; // m=1的时候是自身
            addPt.x = (m * p1.x + (insertNum + 1 - m) * p2.x) / (insertNum + 1);
            addPt.y = (m * p1.y + (insertNum + 1 - m) * p2.y) / (insertNum + 1);
            addPt.z = (m * p1.z + (insertNum + 1 - m) * p2.z) / (insertNum + 1);
            addPt.intensity = iten;
            edge->points.push_back(addPt);// 保存在edge中
        }
        if(i != static_cast<int>(bound->points.size()) - 2){  // ???????当i = (points.size()) - 2) p2这一点是(bound->points[0]
            iten++;
            p2.intensity = iten;
            edge->points.push_back(p2);  // 
        }
    }
}

PCA利用PCA主元分析法获得点云的三个主方向，获取质心，计算协方差，获得协方差矩阵，求取协方差矩阵的特征值和特长向量，特征向量即为主方向。

https://blog.csdn.net/u013541523/article/details/82982522?
https://blog.csdn.net/WillWinston/article/details/80196895

使用vector存储三维点云

https://blog.csdn.net/lch_vison/article/details/80691428?
https://blog.csdn.net/GIS_feifei/article/details/97894371

利用pcl进行点云索引提取时，经常需要迭代分割提取多块子点云，为了方便存储管理，通常使用向量来进行。这时有两种思路存储分割后的子点云：

• 一种是将子点云的索引存入向量

• 另一种是将点云存入向量

  需要的注意的是，如果将子点云的索引存入向量，容易出现问题：循环迭代的输入点云发生了变化，所以得到的子点云索引是新输入点云中的索引，并非最初的输入点云的索引。所以，**最可靠的方法是将子点云存入向量。这时关于点云向量的定义如下：**

  ```cpp std::vector, Eigen::aligned_allocator > clouds_vector;

clouds_vector.push_back(cloud); //将点云存入点云向量。

<a name="sffpN"></a>
### 遍历点云
```cpp
        PointCloudType::Ptr transformedCloud = boost::make_shared<PointCloudType>();
        for(auto &pt:transformedCloud->points){
            pt.intensity = 0;
            pt.x = pt.z; // 
        }

1 每帧点云数据记得清空clear()

    if (!featVec.empty())
        featVec.clear();

2 同步问题

双线程同步

https://developer.aliyun.com/article/584964
https://www.shuangyi-tech.com/news_188.html

/*
 * @Description: 双线程时间同步  https://www.shuangyi-tech.com/news_188.html
 运行命令:cd "/home/hcq/github/c-plus-plus/practice/01时间同步/" && g++ 01time_sync.cpp -o 01time_sync -pthread && "/home/hcq/github/c-plus-plus/practice/01时间同步/"01time_sync
 * @Author: HCQ
 * @Company(School): UCAS
 * @Email: 1756260160@qq.com
 * @Date: 2021-04-15 10:56:25
 * @LastEditTime: 2021-04-15 11:05:22
 * @FilePath: /c-plus-plus/practice/01时间同步/01time_sync.cpp
 */
#include <iostream>
#include <thread>
#include <mutex>
#include <vector>
#include <condition_variable>
using namespace std;
std::mutex mtx;
std::condition_variable cv;
std::vector<int> vec;
int productNum = 5;
void Producer()
{
    for (int i = 1; i <= productNum; ++i) {
        std::unique_lock<std::mutex> lock(mtx);
        while (!vec.empty()) {
            cv.wait(lock); // vec 不为空时阻塞当前线程
        }
        vec.push_back(i);
        std::cout << "Producer生产产品: " << i << std::endl;
        cv.notify_all(); // 释放线程锁
    }
}
void Consumer()
{
    while (true) {
        std::unique_lock<std::mutex> lock(mtx);
        while (vec.empty()) {
            cv.wait(lock); // vec 为空时等待线程锁。其他线程锁释放时，当前线程继续执行
        }
        int data = vec.back();
        vec.pop_back();
        std::cout << "Consumer消费产品: " << data << std::endl;
        cv.notify_all();
    }
}
int main()
{
    std::thread t1(Producer);
    std::thread t2(Consumer);
    t2.join();
    t1.join();
    std::cin.get();
}

运行命令
cd “/home/hcq/github/c-plus-plus/practice/01时间同步/“ && g++ 01time_sync.cpp -o 01time_sync -pthread && “/home/hcq/github/c-plus-plus/practice/01时间同步/“01time_sync

获取时间戳同步

3 查看点云中label==1个数

   // 查看点云中label==1个数
  int number=0;
  for (int i = 0; i < cloud.size(); i++) {
          if(cloud.points[i].label ){
            number++;
          }
  }
  std::cout <<"======number:"  << number<<"======总数:"  << cloud.size()<< std::endl;   // 输出

pcl::compute3DCentroid& pcl::getMinMax3D

/home/hcq/github/point_clouds_curb_detection/ws_curb/src/CurbDetection/src/curb_detection.cpp

pcl::compute3DCentroid (cloud_cluster, centroid);  // 坐标 centroid- 重心   / /计算点云中心
pcl::getMinMax3D (cloud_cluster, min, max);  // 输出min_pt为所有点中最小的x值，y值，z值，输出max_pt为为所有点中最大的x值，y值，z值。
    //1  pcl::compute3D计算点云中心
    Eigen::Vector4f centroid;
    pcl::compute3DCentroid(*cloud, centroid);
    // cout << "点云质心("
    //     << centroid[0] << ","
    //     << centroid[1] << ","
    //     << centroid[2] << ")." << endl;
    //2  pcl::getMinMax3D  得到它x,y,z三个轴上的最大值和最小值

pcl::compute3DCentroid()计算质心算法原理
点云的质心是一个点，其坐标是通过计算云中所有点的值的平均值得出的。可以说它是“质量中心
PCL_Tutorial2-1.8-计算点云质心

pcl::getMinMax3D 计算点云轴向最值

https://blog.csdn.net/qq_36501182/article/details/79005933
有一个点云，想得到它x,y,z三个轴上的最大值和最小值。可以用pcl::getMinMax3D函数。
函数参数：1：点云，2：放最小值的容器，3：放最大值的容器。容器类型是点云中点的类型（正好有三个值）
即cloud为输入点云，而非指针（共享指针则写为cloud），输出min_pt为所有点中最小的x值，y值，z值，输出max_pt为为所有点中最大的x值，y值，z值。
*Parameters:

        pcl::getMinMax3D(*pcd, min_point, max_point); // 得到最大点和最小点
        x_min_ = min_point.x;
        y_min_ = min_point.y;
        float x_max = max_point.x;
        float y_max = max_point.y;

pcl::computeCovarianceMatrixNormalized

https://blog.csdn.net/u013541523/article/details/82982522?
计算最小包围框

pcl::transformPointCloud(clusterPtr[i], transformedCloud, transform)

使用创建的变换对输入点云进行变换

pcl计算最小包围框

https://blog.csdn.net/u013541523/article/details/82982522?
计算最小包围框

PCL ——最小包围盒(画出了最小包围盒并求出顶点坐标…
计算点云的最小BBOX
PCL_PCA－最小包围盒（画出最小包围盒顶点）
点云处理—-最小矩形包围盒
PCL中点云BoundingBox包围盒绘制（基于PCA）