【PCL】PCL中的包围盒计算原理及代码实现

PCL——基于惯性矩与偏心率的描述子进行包围盒提取 基于惯性矩与偏心率的描述子提取包围盒 文章目录基于惯性矩与偏心率的描述子提取包围盒1、概述2、OBB的实现原理3、代码4、效果展示 1、概述 pcl::MomentOfInertiaEstimation 类的作用: (1)获取基于惯性矩(moment of inertia)与偏心率(eccentricity)的描述子; (2)提取有向包围盒OBB(Oriented Bounding Box)或者和坐标轴对齐包围盒AABB(Axis-Aligned Bounding Box);提取包围盒的作用常用来在游戏场景 阅读详情


前言

在PCL(Point Cloud Library)中,包围盒是一种用于描述点云数据中物体边界的几何形状。它通常是一个立方体或圆柱体,可以用来包围点云数据中的物体,并且可以方便地计算点云数据中的物体位置、大小和形状等信息。

PCL中提供了多种不同类型的包围盒,包括立方体、球体、圆柱体、多边形等等。这些包围盒可以通过设置它们的参数来调整其大小和形状,以适应不同的点云数据和应用场景。

在使用包围盒进行点云数据分割、目标检测、姿态估计等任务时,通常需要先使用某种算法从点云数据中提取出物体的边界信息,然后将这些边界信息与包围盒进行匹配,从而确定每个物体的位置、大小和形状等信息。PCL中提供了多种用于点云数据分割、目标检测、姿态估计等任务的算法,并且这些算法通常都会使用包围盒来辅助处理点云数据。

一、包围盒算法介绍

包围盒是一种求解离散点集最优包围空间的算法,基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。

常见的包围盒算法有AABB包围盒、包围球、方向包围盒OBB以及固定方向凸包FDH。碰撞检测问题在虚拟现实、计算机辅助设计与制造、游戏及机器人等领域有着广泛的应用,甚至成为关键技术。而包围盒算法是进行碰撞干涉初步检测的重要方法之一。
最常见的包围盒算法有AABB包围盒(Axis-aligned bounding box轴对齐包围盒),包围球(Sphere), 方向包围盒OBB(Oriented bounding box)以及固定方向凸包FDH(Fixed directions hulls或k-DOP)。
在这里插入图片描述

AABB是应用最早的包围盒。它被定义为包含该对象,且边平行于坐标轴的最小六面体(坐标轴平行不仅指盒体与世界坐标轴平行,同时也指盒体的每个面都和一条坐标轴垂直。同一物体的不同方向,AABB也可能不同。如果物体在场景中移动变换,它的AABB也需要随之移动,当物体发生旋转时,有两种选择,用变换后的物体来重新计算AABB,或者对AABB做和物体同样的变换)。故描述一个AABB,仅需六个标量。AABB构造比较简单,存储空间小,但紧密性差,尤其对不规则几何形体,冗余空间很大,当对象旋转时,无法对其进行相应的旋转。处理对象是刚性并且是凸的,不适合包含软体变形的复杂的虚拟环境情况。

AABB内的点需要满足xyz分别大于最小的坐标和小于最大的坐标点。因此需要知道两个顶点最小点,最大点;中心点是两个顶点的中点代表了包围盒的质心。

对象的包围球被定义为包含该对象的最小的球体。确定包围球,首先需分别计算组成对象的基本几何元素集合中所有元素的顶点的x,y,z坐标的均值以确定包围球的球心,再由球心与三个最大值坐标所确定的点间的距离确定半径r。包围球的碰撞检测主要是比较两球间半径和与球心距离的大小。(由于球体只有一个自由度,所以检测球对物体方向不敏感。)

OBB是较为常用的包围盒类型。它是包含该对象且相对于坐标轴方向任意的最小的长方体(OBB是根据物体本身的几何形状来决定盒子的大小和方向,盒子不需要和坐标轴垂直)。OBB最大特点是它的方向的任意性,这使得它可以根据被包围对象的形状特点尽可能紧密的包围对象,但同时也使得它的相交测试变得复杂。OBB包围盒比AABB包围盒和包围球更加紧密地逼近物体,能比较显著地减少包围体的个数,从而避免了大量包围体之间的相交检测。但OBB之间的相交检测比AABB或包围球体之间的相交检测更费时。

FDH(k-DOP)是一种特殊的凸包,继承了AABB简单性的特点,但其要具备良好的空间紧密度,必须使用足够多的固定方向。被定义为包含该对象且它的所有面的法向量都取自一个固定的方向(k个向量)集合的凸包。FDH比其他包围体更紧密地包围原物体,创建的层次树也就有更少的节点,求交检测时就会减少更多的冗余计算,但相互间的求交运算较为复杂。

优缺点:

AABB也是比较简单的一类包围盒。但对于沿斜对角方向放置的瘦长形对象,其紧密性较差。由于AABB相交测试的简单性及较好的紧密性,因此得到了广泛的应用,还可以用于软体对象的碰撞检测。

包围球是比较简单的包围盒,而且当对象发生旋转运动时,包围球不需做任何更新,当几何对象进行频繁的旋转运动时,使用包围球可能会得到很好的结果;当对象变形时,需要重新计算其包围球。但它的紧密性是比较差的,因此较少使用。

OBB的简单性要比上面两种包围盒差,但它的紧密性是比较好的,可以大大减少参与相交测试的包围盒的数目,因此总体性能要优于AABB和包围球。当几何对象发生旋转运动后,只要对OBB进行同样的旋转即可。因此,对于刚体间的碰撞检测,OBB不失为一种较好的选择,但迄今为止,还没有一种有效的方法能够较好地解决对象变形后OBB树的更新问题,而重新计算每个结点的OBB的代价又太大,所以OBB不适用于包含软体对象的复杂环境中。

FDH相对于上面三种包围盒其紧密性是最好的,同时其相交测试算法比OBB要简单的多。可以用于软体对象的碰撞检测。

二、基于PCA的包围盒实现原理

最小包围盒的计算过程大致如下:
1.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。
2.利用1中获得的主方向和质心,将输入点云转换至原点,且主方向与坐标系方向重回,建立变换到原点的点云的包围盒。
3.给输入点云设置主方向和包围盒,通过输入点云到原点云变换的逆变换实现。

最小包围盒顶点计算的过程大致如下:
1.输入点云转换至远点后,求得变换后点云的最大最小x,y,z轴的坐标,此时(max.x,max.y,max.z),(max.x,min.y,max.z),(max.x,max.y,min.z),(min.x,max.y,max.z),(min.x,max.y,min.z),(min.x,min.y,max.z),(min.x,min.y,max.z),(min.x,min.y,min.z)
即为变换后点云的包围盒,也是原始输入点云包围盒顶点坐标经过变化后的坐标.
2.将上述求得的6个包围盒坐标逆变换回输入点云的坐标系,即得到原始输入点云的包围盒顶点坐标.

三、代码实现

计算AABB包围盒

void AABB(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud)
{
   
   
	
	pcl::MomentOfInertiaEstimation <pcl::PointXYZ> feature_extractor;
	feature_extractor.setInputCloud(cloud);
	feature_extractor.compute();

	std::vector <float> moment_of_inertia;
	std::vector <float> eccentricity;

	pcl::PointXYZ min_point_AABB;//AABB包围盒
	pcl::PointXYZ max_point_AABB;

	Eigen::Vector3f major_vector, middle_vector, minor_vector;
	Eigen::Vector3f mass_center;

	feature_extractor.getMomentOfInertia(moment_of_inertia);
	feature_extractor.getEccentricity(eccentricity);
	feature_extractor.getAABB(min_point_AABB, max_point_AABB);
	feature_extractor.getEigenVectors(major_vector, middle_vector, minor_vector);
	feature_extractor.getMassCenter(mass_center);

	//绘制AABB包围盒
	pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
	viewer->setBackgroundColor(0, 
点云库PCL学习:提取最小包围盒(AABB、OBB) 提取最小包围盒(AABB、OBB)最小包围盒介绍AABB、OBB包围盒的提取提取结果 最小包围盒介绍 包围盒也叫外接最小矩形,是一种求解离散点集最优包围空间的算法,基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。 常见的包围盒算法有AABB包围盒、包围球、方向包围盒OBB以及固定方向凸包FDH。碰撞检测问题在虚拟现实、计算机辅助设计与制造、游戏及机器人等领域有着广泛... 阅读详情

相关推荐

PCL-计算点云AABB包围盒

AABB包围盒,是描述点云数据外边界的最小矩形盒,用于精确描述物体的大小、位置、方向等信息。在处理3D数据时,计算包围盒可以有效地简化碰撞检测、缩放、旋转等几何操作。

wfengzi5的博客 1405

PCL 计算点云包围盒【2026最新版】

使用PCL内置函数计算点云AABB包围盒的两种使用方法以及基于惯性偏心矩计算的点云OBB包围盒,此OBB包围盒不一定是最小包围盒。博客长期更新,最近一次更新时间为:2026年5月4日。

点云侠的博客 39万+

PCL 最小包围盒

包围体(包容盒)是一个简单的几何空间,里面包含着复杂形状的物体。为物体添加包围体的目的是快速的进行碰撞检测或者进行精确的碰撞检测之前进行过滤(即当包围体碰撞,才进行精确碰撞检测和处理)。包围体类型包括球体、轴对齐包围盒(AABB)、有向包围盒(OBB)、8-DOP以及凸壳(CONVEX HULL)。

Z's Palace 1206

PCL点云包围盒计算与应用

在点云处理中,包围盒(Bounding Box)是一种常用的几何形状,它能够框定点云数据的边界范围,提供对点云数据的快速分析和处理。PCL(Point Cloud Library)是一个开源的点云处理库,提供了丰富的点云数据处理算法和工具。在PCL中,通过使用OBB(Oriented Bounding Box,有向包围盒)方法,可以将包围盒沿着主轴进行旋转和缩放,以适应点云数据的不规则形状。通过上述代码示例,我们可以得到点云数据的包围盒信息,从而实现对点云数据的快速分析和处理。对象,并设置输入点云数据。

HackWhisper的博客 548

PCL 计算点云包围盒

PCL中计算点云包围盒的简单使用案例

m0_51204289的博客 415

PCL PCA构建点云包围盒【2026最新版】

主成分分析法PCA构建点云包围盒。博客长期更新,本文最近一次更新时间为:2026年5月24日。

点云侠的博客 19万+

PCL 计算点云AABB包围盒

点云的包围盒(Bounding Box)是用于描述点云在三维空间中的边界范围的一种简单几何体。在三维点云处理中,包围盒可以用于碰撞检测、快速计算点云边界等应用。AABB(Axis-Aligned Bounding Box)是一种轴对齐的包围盒,始终与坐标轴对齐,因此计算起来较为简单高效。

纵马踏花向自由 802

【C++PCL】OBB包围盒

本文介绍了点云OBB(定向包围盒)的计算原理与实现方法。OBB通过主成分分析确定最小体积长方体方向,核心步骤包括协方差矩阵计算、PCA分解、坐标变换及极值计算。文章提供了基于PCL库的完整C++实现代码,涵盖点云加载、预处理(离群点移除)、OBB计算、结果可视化等功能模块,并详细注释了关键参数(如离群点滤波的邻近点数、标准差阈值)。代码通过旋转矩阵和特征值获取OBB的几何属性,支持三维可视化展示。该实现适用于点云物体检测、尺寸测量等应用场景.

weixin_45196569的博客 234

PCL 计算点云AABB包围盒(惯性矩阵)

基于惯性矩特征计算点云的AABB(Axis-Aligned Bounding Box,轴对齐包围盒)是点云处理中常用的一种包围盒计算方法。通过计算点云的最小外接立方体,可以用于许多应用场景,如碰撞检测、点云裁剪等。

纵马踏花向自由 1499

PCL 计算点云OBB包围盒(PCA)

点云包围盒(Bounding Box)是描述三维空间中点云数据外边界的最小矩形盒,用于精确描述物体的大小、位置、方向等信息。在处理3D数据时,计算包围盒可以有效地简化碰撞检测、缩放、旋转等几何操作。通过主成分分析(PCA)技术,可以根据点云的主轴方向构建包围盒,使包围盒的方向与物体的几何形状更加接近,从而提高空间占用效率。

纵马踏花向自由 1446

PCL 计算点云AABB包围盒的体积

在点云处理中,计算点云的轴对齐最小边界框(AABB, Axis-Aligned Bounding Box)是常见的操作。AABB包围盒是包围点云的一个矩形框,其边与坐标轴平行。通过计算AABB包围盒的宽度、高度和深度,可以进一步计算其体积,通常用于评估点云数据的空间分布情况。

纵马踏花向自由 1546

基于FDH包围盒的布料碰撞检测

在布料仿真中,碰撞检测与响应十分复杂,很难同时具备真实感和实时性。针对此问题,采用质点弹簧模型进行建模,基于FDH包围盒提出一种快速的检测基本几何元素间碰撞的方法。通过分析点的位置向量与三角平面的夹角,利用向量内积的性质来判断点与三角形的位置关系,同时进行了相应的碰撞响应处理。实验结果表明,采用该方法进行碰撞检测既保证了模拟的真实性,同时又提高了系统的实时性。

深入浅出DNS系列(一)- DNS杂谈

黄丝玛:班达山,你好,我记性不好,你告诉我搜狐、新浪的网站IP地址好吗? 班达山:你问问DNS先生吧,他专门干这买卖的

jiangsd198的博客 4132

基于DBSCAN聚类算法的超像素实时分割

Real-Time Superpixel Segmentation by DBSCAN Clustering Algorithm 摘要 在本文中,我们提出了一种基于密度的带噪声应用空间聚类(DBSCAN)算法的50帧/秒实时图像超像素分割方法。为了降低超像素算法的计算量,我们采用了一种快速的两步框架。在第一个聚类阶段,使用具有颜色相似性和几何约束的DBSCAN算法对像素进行快速聚类,然后在第二个合并阶段,通过颜色和空间特征定义的距离度量,将小簇按其邻域合并为超像素。为了在这两个步骤中获得更好的超像素,定义了

yttt的博客 3496

RAG开源框架深度评测:从RAGFlow到Dify的实战选型指南

本文深度评测了主流RAG开源框架(RAGFlow、Dify、WeKnora)的核心能力与实战表现,提供企业级选型指南。重点对比了文档解析、检索性能和生产部署等关键指标,揭示RAGFlow在复杂文档处理、Dify在低代码开发、WeKnora在腾讯生态集成的差异化优势,并给出技术选型决策树与成本优化方案。

weixin_29294597的博客 835

AI上推荐 之 多任务loss优化(自适应权重篇)

1. 写在前面 在多任务学习中,往往会将多个相关的任务放在一起来学习。例如在推荐系统中,排序模型同时预估候选的点击率和浏览时间。相对于单任务学习,多任务学习有以下优势: 多个任务共享一个模型,占用内存量减少; 多个任务一次前向计算得出结果,推理速度增加; 关联任务通过共享信息,相互补充,可以提升彼此的表现。 前面的一篇文章,主要是从模型结构的角度聊了下多任务学习,介绍了工业界非常经典也常用的MMOE模型,然而,对于多任务学习, Loss的优化也非常重要, 因为我们知道通过多个目标去指导网络进行统一的训练

Miracle8070 1万+

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

Robot_PLC_HMI_Automation 4227

R语言层次聚类(hierarchical clustering):数据缩放、PCA聚类结果可视化、fpc包的clusterboot函数通过bootstrap重采样的方法评估hclust层次聚类的稳定性

R语言层次聚类(hierarchical clustering):数据缩放、PCA聚类结果可视化、fpc包的clusterboot函数通过bootstrap重采样的方法评估hclust层次聚类的稳定性

data+scenario+science+insight 840

ROS机器人未知环境自主探索功能包explore_lite最全源码详细解析(五)

本系列文章主要针对ROS机器人常使用的未知环境自主探索功能包explore_lite展开全源码的详细解析,并进行概括总结。 本系列文章共包含六篇文章,前五篇文章主要介绍explore_lite功能包中 explore.cpp、costmap_tools.h、frontier_search.cpp、costmap_client.cpp等源码实现文件中全部函数的详细介绍,第六篇文章进行概括总结,包含自主探索功能包explore_lite的简介,实现未知环境自主探索功能的原理及流程总结,效果演示,使用功能包exp

慕羽★的博客 1514

华为MetaERP在财务模块(GL/AP/AR/FA)及子账模块效率优化、月末关账加速、与外部系统对账方面,已形成一套**“并行+实时+智能化”**的完整技术方案

华为MetaERP推出"并行+实时+智能化"技术方案,显著提升财务模块效率:1)采用三级并行策略和内存计算,使子账模块单任务处理时间从142分钟降至9分钟;2)通过并行关账架构将月末关账时间从68小时压缩至7.2小时;3)运用AI智能对账提升效率50%,并支持异步流程和区块链审计。典型场景测试显示月结耗时下降89%,CPU利用率提升116%。方案建议分阶段实施,注意依赖分析、任务粒度设计和性能监控,避免过度并行。该方案已有效解决大型集团财务处理效率低、关账慢、对账难等痛点。

金牌架构师 563

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

上一篇: 【OpenCV】工业视觉中如何避免运动模糊
下一篇: 【OpenCV】OpenCV中imread和imwrite函数探索
shanhedian2013
博客等级 码龄11年 1403粉丝 30原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

shanhedian2013

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址