1. 点云边界框

点云几何类型和其他类型一样，也有包围框。当前，open3d实现了两个包围框接口， AxisAlignedBoundingBox 和 OrientedBoundingBox ，它们区别如下表所示。同时他们也可以用来裁剪几何图形。

函数	名称	说明	图形说明
AxisAlignedBoundingBox	轴对齐边界框aabb	每条边都有平行的轴
OrientedBoundingBox	定向边界框obb	边和轴有一定的 夹角

import open3d as o3d
import numpy as np
#*******************************包围框***********************************
pcd = o3d.io.read_point_cloud("../test_data/fragment.ply") # 读取ply或者pcd文件
#读取裁剪的文件
vol = o3d.visualization.read_selection_polygon_volume(
    "../test_data/Crop/cropped.json")
chair = vol.crop_point_cloud(pcd)#裁剪椅子
# o3d.visualization.draw_geometries([chair]) #显示椅子
aabb = chair.get_axis_aligned_bounding_box() #轴对其包围盒
aabb.color = (1, 0, 0) #红色
obb = chair.get_oriented_bounding_box()
obb.color = (0, 1, 0) # 绿色
o3d.visualization.draw_geometries([chair, aabb, obb],
                                  zoom=0.7,
                                  front=[0.5439, -0.2333, -0.8060],
                                  lookat=[2.4615, 2.1331, 1.338],
                                  up=[-0.1781, -0.9708, 0.1608])
2. 凸包(convex hull)
 
点云的凸包是包含所有点的最小凸集，open3d实现了计算凸包的方法compute_convex_hull，这个接口的实现基于Qhull。
 
import open3d as o3d
import numpy as np
#*******************************凸包***********************************
pcd = o3d.io.read_point_cloud("../test_data/fragment.ply") # 读取ply或者pcd文件
# 裁剪点云
vol = o3d.visualization.read_selection_polygon_volume(
    "../test_data/Crop/cropped.json")
chair = vol.crop_point_cloud(pcd)
# 计算点云的凸包
hull, _ = chair.compute_convex_hull()
hull_ls = o3d.geometry.LineSet.create_from_triangle_mesh(hull)
hull_ls.paint_uniform_color((1, 0, 0)) #凸包的颜色
o3d.visualization.draw_geometries([chair, hull_ls])
3. DBSCAN聚类
 
open3d实现了DBSCAN[Ester1996]算法，这是一种基于密度的聚类算法。该算法需要两个参数。
 
labels = np.array(pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))
 
eps： 定义到聚类相邻点云的距离
min_points： 定义形成聚类所需的最小点数。
 
 
该函数返回一个标签，其中标签-1表示噪音。
 
import open3d as o3d
import numpy as np
import matplotlib.pyplot as plt
#*******************************DBSCAN***********************************
pcd = o3d.io.read_point_cloud("../test_data/fragment.ply")
with o3d.utility.VerbosityContextManager(
        o3d.utility.VerbosityLevel.Debug) as cm:
    labels = np.array(
        pcd.cluster_dbscan(eps=0.02, min_points=10, print_progress=True))
max_label = labels.max()
print(f"point cloud has {max_label + 1} clusters")
colors = plt.get_cmap("tab20")(labels / (max_label if max_label > 0 else 1))
colors[labels < 0] = 0
pcd.colors = o3d.utility.Vector3dVector(colors[:, :3])
o3d.visualization.draw_geometries([pcd],
                                  zoom=0.455,
                                  front=[-0.4999, -0.1659, -0.8499],
                                  lookat=[2.1813, 2.0619, 2.0999],
                                  up=[0.1204, -0.9852, 0.1215])
[Open3D DEBUG] Precompute neighbors.
Precompute neighbors.[========================================] 100%
[Open3D DEBUG] Done Precompute neighbors.
[Open3D DEBUG] Compute Clusters
[Open3D DEBUG] Done Compute Clusters: 10==========>] 97%
point cloud has 10 clusters
4. RANSAC平面分割
 
Open3D还支持使用RANSAC从点云分割算法，其中segment_plane用于平面分割算法，该算法的有三个参数：
 
 
distance_threshold：inlier的最大距离阈值
ransac_n：随机采样的平面点数
num_iterations：表示最小迭代次数。
 
import open3d as o3d
pcd = o3d.io.read_point_cloud("../test_data/fragment.pcd")
plane_model, inliers = pcd.segment_plane(distance_threshold=0.01,
                                         ransac_n=3,
                                         num_iterations=1000)
[a, b, c, d] = plane_model
print(f"Plane equation: {a:.2f}x + {b:.2f}y + {c:.2f}z + {d:.2f} = 0")
inlier_cloud = pcd.select_by_index(inliers)
inlier_cloud.paint_uniform_color([1.0, 0, 0]) # inliers为红色
outlier_cloud = pcd.select_by_index(inliers, invert=True)
o3d.visualization.draw_geometries([inlier_cloud, outlier_cloud],
                                  zoom=0.8,
                                  front=[-0.4999, -0.1659, -0.8499],
                                  lookat=[2.1813, 2.0619, 2.0999],
                                  up=[0.1204, -0.9852, 0.1215])
Plane equation: -0.06x + -0.10y + 0.99z + -1.06 = 0
5. 隐点移除(Hidden point removal)
 
由于点云分辨率的问题，如果你只想看前景点，就需要滤掉背景点。为此，我们可以应用隐藏点移除(Hidden point removal)算法。该方法可以近似的给出一个视角下的可视点云。
 
import open3d as o3d
import numpy as np
pcd = o3d.io.read_point_cloud("../test_data/fragment.ply") # 读取ply或者pcd文件
diameter = np.linalg.norm(
    np.asarray(pcd.get_max_bound()) - np.asarray(pcd.get_min_bound()))
o3d.visualization.draw_geometries([pcd])
print("Define parameters used for hidden_point_removal")
camera = [0, 0, diameter] # 定义用于隐藏点删除的参数，获取从给定视图中可见的所有点，可视化结果
radius = diameter * 100
print("Get all points that are visible from given view point")
_, pt_map = pcd.hidden_point_removal(camera, radius)
print("Visualize result")
pcd = pcd.select_by_index(pt_map)
o3d.visualization.draw_geometries([pcd])
Define parameters used for hidden_point_removal
Get all points that are visible from given view point
Visualize result
原始视角下的视图：
 
 经过隐点移除之后的视图：
 
                                    此函数尝试将 Qhull/convexhulln 生成的 3D 点云的凸包转换为（更多）凹包。 同样，输出格式为 k [nx 3]，它将 n 个三角形定义为 XYZ 中的行。 如果该函数找到一个三角形，该三角形的 2 条边的中点距离点云中的另一个点比 thresh 更远，它会删除该三角形并用三个新三角形替换它，这些三角形由数据云中最近的点定义到老二中点。 该算法肯定还不是最佳的，如果有人有想法甚至改进的实现，我自己会很高兴。 我仍然上传了它，因为很长时间以来我一直在寻找自己类似的东西，却没有找到对我有用的东西。 输入： – XYZ：xyz 坐标点云thresh：阈值定义所有中点的接近程度线远离点云中的最近点，使算法停止。 尽管如此，即使设置，算法有时在此之前停止，如果距离不再改善。 在换句话说，该算法不保证阈值总是匹配的。 输出：-k：三角索引（作为凹面的输出）
                                    Open3D还支持使用RANSAC从点云中分割几何图元。 要查找点云中最有可能存在的平面，我们使用segement_plane函数。 该方法具有三个参数：destance_threshold定义了一个点到一个估计平面的最大距离，这些距离内的点被认为是内点（inlier），ransac_n定义了使用随机抽样估计一个平面的点的个数，num_iterations定义了随机平面采样和验证的频率（迭代次数）。这个函数返回（a,b,c,d）作为一个平面，对于平面上每个点(x,y,z)我们有ax+by+cz+d=0。这个
点云特征在定义上（以我个人理解）大致可以分为两大类：
一类是类似于深度学习的featrue map意义，通过计算一些算子来描述点云局部，这种描述只是一种标识符，并没有实际的几何意义，比如 PFH或者 FPFH 之类的，它们只是通过对每个点的局部邻域计算一个 125125125 维或者 333333 维的向量来描述当前点，这跟机器学习中的 featurefeaturefeature 是一样的，通过这类特征可以用来做点云的配准（其中某些特征可以进一步处理【模式识别】得到几何特征，因为某一类的几何特征在
                                    1、原理介绍
由Edelsbrunner H提出的alpha shapes算法是一种简单、有效的快速提取边界点算法。其克服了点云边界点形状影响的缺点，可快速准确提取边界点，其原理如下：
如下图所示，对于任意形状的平面点云，若一个半径为a的圆，绕其进行滚动，其滚动的轨迹形成的点为轮廓点。需要注意的是，alpha shapes算法只能探测二维点的轮廓点，大多数是将点投影到二维平面，形成二维点，再进行轮廓点探测。
                                    通过计算凸包，我们可以得到点云数据的简化表示，以及进行形状分析、物体识别和运动规划等任务。通过使用Open3D，我们可以方便地进行点云数据的几何计算和可视化。在上述代码中，我们首先生成了一个包含100个随机二维点的点云数据。然后，我们创建了一个Open3D点云对象，并将随机点云数据赋值给它。除了计算二维凸包，Open3D还提供了许多其他功能，如三维凸包计算、体素网格化、点云滤波等。在本文中，我们将探讨如何使用Open3D计算二维点云的凸包。通过运行上述代码，您将能够看到显示出的二维点云以及计算得到的凸包。
                                    点云（Point Cloud）
这篇文章将会介绍点云数据的一些基本用法。（本教程可视化的点云数据为官方图片，自己可以根据手头数据进行测试，或者去官方github主页下载对应测试数据）
可视化点云
本教程的第一部分是读取点云数据并将其可视化。
print("Load a ply point cloud, print it, and render it")
pcd = o3d.io.read_point_cloud("../../TestData/fragment.ply")
print(pcd)
print(
                                    可视化的目标检测，故开始考虑使用点云在ros的rviz中进行实验。画boundingbox需要用到的函数boudingBOX.py。本机相关环境：ubutnu20.04 ros_neotic。准备小车模型：将解压后的car.dae存放在指定路径下。