个人笔记：
存储点云文件：pcl::io::savePCDFileASCII(“…/path”, cloud);
#include<iostream>
#include<pcl/io/pcd_io.h>//pcd读写相关的头文件夹
#include<pcl/point_types.h>//pcd中支持的点类型头文件，比如pcl::PointXYZ
//1、写入数据
int main01(int argc, char** argv)
{
//创建点云 描述我们将创建模板化PointCloud结构
pcl::PointCloud<pcl::PointXYZ> cloud;
//设置相关参数
/*
cloud.height = 1; 用来判断是否为有序点云，=1为无序点云
无序点云： cloud.width指点云的个数，结构点云：云数据集一行上点的个数
cloud.is_dense(bool) 判断points中数据是否有限或者判断点云中的点是否包含 Inf/NaN这种值（包含为false）
*/
cloud.width = 5;
cloud.height = 1;
cloud.is_dense = false;//不是稠密型
cloud.points.resize(cloud.width * cloud.height);//点云的总数
//用随机数的值填充PointCloud点云对象
//for(auto &point:cloud)
for (size_t i = 0; i < cloud.points.size(); ++i)
{
//0~1024之间不等于1024的一个随机浮点数
cloud.points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
cloud.points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
cloud.points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
}
//把PointCloud对象存储在test_pcd.pcd文件中
//pcl::io::savePCDFileASCII("D://0718box//test_pcd.pcd", cloud);
pcl::io::savePCDFileASCII("../test_pcd.pcd", cloud);
//打印输出存储点云的数据
std::cerr << "Saved:" << cloud.points.size() << "data points to test_pcd.cpp" << std::endl;
for (size_t i = 0; i < cloud.points.size(); ++i)
std::cerr << " " << cloud.points[i].x << " "
<< cloud.points[i].y << " " << cloud.points[i].z << std::endl;
return (0);
}
笔记：
出现原因：在读取点云时，debug下不能正常运行，release可以
debug：会增加调试代码
release用于发布 release下不报错是忽略了错误而不是没有错误
*打开点云文件：pcl::io::loadPCDFilepcl::PointXYZ(pcd_path, cloud)
步骤：
#include<iostream>
#include<pcl/io/pcd_io.h>
#include<pcl/point_types.h>
int main02(int argc, char** argv)
{
//创建一个PointCloud<pcl::PointXYZ>
//boost共享指针进行初始化
//pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud< pcl::PointXYZ >);
//pcl::PointCloud<pcl::PointXYZ>::Ptr cloud = std::make_shared<pcl::PointCloud<pcl::PointXYZ>>();
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
std::string pcd_path = "../test_pcd.pcd";
//打开点云文件
// 将test_pcd.pcd 加载到二进制blob中
//if (pcl::io::loadPCDFile<pcl::PointXYZ>("D://0718box//test_pcd.pcd", *cloud) == -1)
if (pcl::io::loadPCDFile<pcl::PointXYZ>(pcd_path, *cloud) == -1)
{
//PCL_ERROR("Cloud not read file test_pcd.pcd \n");
std::cerr << "Cloud not read file test_pcd.pcd" << std::endl;
return (-1);
}
std::cout << " Loaded "
<< cloud->width * cloud->height
<< " data points from test_pcd.pcd with the following fields:"
<< std::endl;
//for (size_t i = 0; i < cloud->points.size(); ++i)
//{
// std::cout << " " << cloud->points[i].x
// << " " << cloud->points[i].y
// << " " << cloud->points[i].z << std::endl;
//}
//读取二进制blob并将其转换为模板化的PointCloud格式
for (const auto& point : *cloud)
{
std::cout << " "<<point.x << " " << point.y << " " << point.z << std::endl;
}
return (0);
}
点云连接 concatenate points 列的下方连接
字段连接 concatenate fields 行的基础后连接
**pcl::concatenateFields(cloud_a, n_cloud_b,p_n_cloud_c);**
在连接两个点云前，要确保两个数据集中字段的类型相同和维度相同，
同时了解如何连接两个不同点云的字段颜色，法线）,这种操作的强制约束条件是两个数据集中的点数目必须一样
个人笔记：
1、std::cerr与std::cout的区别
cerr是一个ostream对象，C++标准错误输出流，关联到标准错误，写到cerr的数据是不缓冲的，
cree通常用于输出错误与其他不属于正常逻辑的输出内容
cree的目的：在紧急情况下，能得到输出功能。
缓冲区：减少刷屏的次数，不带缓冲，就会每写一个字母，输出一个字母，不断刷屏；有了缓冲区，就会看到很多个语句同时出现在屏幕上
2、pcl::Normal 是最常见的一种点的类型，代表了给定点的曲面法线（normal)和曲率的测量
pcl::PointCloud类的模板参数，定义了点云的存储类型
常用的点的类型：
pcl::PointXYZ，存储着点的x,y,z信息
pcl::PointXYZI,在上面的基础上，包含了一个域描述点的密集程度
pcl::PointWithRange,存储点的范围
pcl::PointXYZRGBA：存储3D信息的同时和RGB与Alpha(透明度）
用户也可以自己定义自己的类型
#pragma warning(disable:4996)；
#include<iostream>
#include<pcl/io/pcd_io.h>
#include<pcl/point_types.h>
int main03(int argc, char** argv)
{
pcl::PointCloud<pcl::PointXYZ> cloud_a, cloud_b, cloud_c;//三个输入点云
pcl::PointCloud<pcl::Normal> n_cloud_b;// 两个输出点云，储存法线的点云
pcl::PointCloud<pcl::PointNormal> p_n_cloud_c;//储存xyz和法线的点云
//创建点云数据
cloud_a.width = 3;
cloud_a.height = cloud_b.height= n_cloud_b.height=1;//无序点云
cloud_a.points.resize(cloud_a.width * cloud_a.height);
cloud_b.width = 5;//点云连接---列下面连接
cloud_b.points.resize(cloud_b.width * cloud_b.height);
n_cloud_b.width = 3;//字段连接---行后面连接
n_cloud_b.points.resize(n_cloud_b.width * n_cloud_b.height);
//填充点云cloud_a的数据
for (size_t i = 0; i < cloud_a.points.size(); ++i)
{
cloud_a.points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
cloud_a.points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
cloud_a.points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
}
//填充点云cloud_b的数据
for (size_t i = 0; i < cloud_b.points.size(); ++i)
{
cloud_b.points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
cloud_b.points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
cloud_b.points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
}
//填充点云n_cloud_b的数据
for (size_t i = 0; i < n_cloud_b.points.size(); ++i)
{
n_cloud_b.points[i].normal[0] = 1024 * rand() / (RAND_MAX + 1.0f);
n_cloud_b.points[i].normal[1] = 1024 * rand() / (RAND_MAX + 1.0f);
n_cloud_b.points[i].normal[2] = 1024 * rand() / (RAND_MAX + 1.0f);
}
//输出点云数据
std::cerr << "Cloud A:" << std::endl;
for (size_t i = 0; i < cloud_a.points.size(); ++i)
{
std::cerr << cloud_a.points[i].x << " "
<< cloud_a.points[i].y << " " << cloud_a.points[i].z << " " << std::endl;
}
std::cerr << "Cloud B:" << std::endl;
for (size_t i = 0; i < cloud_b.points.size(); ++i)
{
std::cerr << cloud_b.points[i].x << " "
<< cloud_b.points[i].y << " " << cloud_b.points[i].z << " " << std::endl;
}
std::cerr << "n_Cloud_b:" << std::endl;
for (size_t i = 0; i < n_cloud_b.points.size(); ++i)
{
std::cerr << n_cloud_b.points[i].normal[0]<< " "
<< n_cloud_b.points[i].normal[1] << " "
<< n_cloud_b.points[i].normal[2] << " " << std::endl;
}
//点云连接 cloud_c = cloud_a + cloud_b
cloud_c = cloud_a + cloud_b;
std::cerr << "点云连接 Cloud C:" << std::endl;
for (size_t i = 0; i < cloud_c.points.size(); ++i)
{
std::cerr << cloud_c.points[i].x << " "
<< cloud_c.points[i].y << " " << cloud_c.points[i].z << " " << std::endl;
}
//字段连接 pcl::concatenateFields(cloud_a, n_cloud_b, p_n_cloud_c);
//错误的：p_n_cloud_c = cloud_a + n_cloud_b;
//解决办法：把cloud_a和n_cloud_b字段连接，一起创建p_n_cloud_c
pcl::concatenateFields(cloud_a, n_cloud_b, p_n_cloud_c);
std::cerr << "字段连接 p_n_Cloud C:" << std::endl;
for (size_t i = 0; i < p_n_cloud_c.points.size(); ++i)
{
std::cerr << p_n_cloud_c.points[i].x << " "
<< p_n_cloud_c.points[i].y << " " << p_n_cloud_c.points[i].z << " "
<< p_n_cloud_c.points[i].normal[0] << " "
<< p_n_cloud_c.points[i].normal[1] << " "
<< p_n_cloud_c.points[i].normal[2] << " "<<std::endl;
}
return (0);
}
boost::signals2实现了线程安全，是一种函数的回调机制
#include<pcl/point_cloud.h>//点云类定义头文件
#include<pcl/point_types.h>//点 类型定义头文件
#include<pcl/io/openni2_grabber.h>//OpenNI数据流获取头文件
#include<pcl/common/time.h>//时间头文件
#include<boost/thread/thread.hpp>//用来创建一个新线程,简化多线程的开发
//类SimpleOpenNIProcessor 的回调函数，对数据进行处理的回调函数的封装
class SimpleOpenNIProcessor
{
public:
void cloud_cb(const pcl::PointCloud<pcl::PointXYZRGBA>::ConstPtr& cloud)
{
static unsigned count = 0;
static double last = pcl::getTime();//获取当前时间
if (++count == 30)//30ms
{
double now = pcl::getTime();
std::cout << "中心像素的位置：" << cloud->points[(cloud->width >> 1)
* (cloud->height + 1)].z
<< "mm. Average framerate:" << double(count) / double(now - last)
<< " Hz" << std::endl;
last = now;
count = 0;
}
}
//pcl::Grabber
void run()
{
//创建一个:OpenNI2Grabber接口
pcl::Grabber* interface = new pcl::io::OpenNI2Grabber();
//定义回调函数
boost::function<void(const pcl::PointCloud <pcl::PointXYZRGB>::ConstPtr&)>f =
boost::bind(&SimpleOpenNIProcessor::cloud_cb, this,-1);
boost::signals2::connection conn = interface->registerCallback(f);//注册回调函数
interface->start();//开始接收点云数据
while (true)
//添加头文件：#include<boost/thread/thread.hpp>
boost::this_thread::sleep(boost::posix_time::seconds(1));
//停止采集
interface->stop();
}
};
int main04()
{
SimpleOpenNIProcessor sONIP;
sONIP.run();
return 0;
}
个人笔记：
1、cloud.makeShared()；
pcl::PointCloud.makeshared()返回的是一个对当前点云深度复制后的对象的智能指针
也就是说
pcl::PointCloudcloud;
pcl::PointCloud::Ptr p=cloud.makeshared();
其中p并不指向cloud的空间，而是深拷贝了cloud放在新的内存空间上，然后返回新空间的指针
所以，用过p操作点云，cloud不会改变
2、加快ASCII格式存储，将pcd文件换成Binary格式存储
pcl::io::savePCDFileBinary（“path”,*cloud);
void get_PCD_Fromat()
{
pcl::PCLPointCloud2 cloud;
pcl::PCDReader reader;
reader.readHeader("D://0718box//test_pcd.pcd", cloud);
for (int i = 0; i < cloud.fields.size(); i++)
{
std::cout << cloud.fields[i].name<<std::endl;//cout:xyz型
}
}
void type_Conversion()
{
//创建存放点云的对象
pcl::PointCloud < pcl::PointXYZ>::Ptr cloudPointer(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>cloud;
cloud = *cloudPointer;
cloudPointer = cloud.makeShared();
}
头文件：#include<pcl/visualization/pcl_visualizer.h>
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> sig(cloud, 255, 22, 99);
#include<pcl/visualization/pcl_visualizer.h>
void pcd_visualization()
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("D://0718box//0718-04.pcd", *cloud);
pcl::visualization::PCLVisualizer viewer("pointcloud viewer");
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> sig(cloud, 255, 22, 99);
viewer.addPointCloud(cloud, sig, "cloud");
//设置大小
viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1);
//添加一个坐标系
viewer.addCoordinateSystem(500);
while (!viewer.wasStopped())
{
viewer.spinOnce();
}
}
pcl::getMinMax3D函数说明：
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.而非某个点。
头文件：#include<pcl/common/common.h>
void pcl_Max_Min()
{
//pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud;
cloud = pcl::PointCloud<pcl::PointXYZ>::Ptr(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("D://0718box//0718-04.pcd", *cloud);
pcl::PointXYZ minPt, maxPt;
pcl::getMinMax3D(*cloud, minPt, maxPt);
//pcl::getMinMax3D(*cloud, minPt, maxPt);
std::cout << "Max_x:" << maxPt.x << " " << "Max_y:" << maxPt.y << " " << "Max_z:" << maxPt.z << std::endl;
std::cout << "Min_x:" << maxPt.x << " " << "Min_y:" << minPt.y<< " " << "Min_z:" << minPt.z << std::endl;
}
#include<pcl/visualization/cloud_viewer.h>
#include<pcl/visualization/pcl_visualizer.h>
void pcl_Copy()
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("D://0718box//0718-04.pcd", *cloud);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_Out(new pcl::PointCloud<pcl::PointXYZ>);
std::vector<int> index = {
1, 3, 5, 7, 8, 11, 56, 77 };
pcl::copyPointCloud(*cloud, index, *cloud_Out);
pcl::io::savePCDFileASCII("D://0718box//0718-04_test.pcd", *cloud_Out);
//打印输出点云数据
for (size_t i = 0; i < cloud_Out->points.size(); ++i)
{
std::cout << cloud->points[i].x << " " << cloud->points[i].y << " " << cloud->points[i].z << std::endl;
}
//可视化
pcl::visualization::PCLVisualizer viewer("Cloud Viewer");//创建对象
viewer.setBackgroundColor(0.05, 0.05, 0.05, 0);//背景为白色
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> sig(cloud, 230, 66, 99);
viewer.addPointCloud(cloud_Out, sig, "cloud");
//设置大小
viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5);
pcl::io::savePCDFileASCII("D://0718box//0718-04_test.pcd", *cloud_Out);
//直到关闭窗口结束循环
while (!viewer.wasStopped())
{
//每次循环调用内部的重绘函数
viewer.spinOnce();
}
}
//从点云中添加和删除点
void pcd_del()
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("D://0718box//0718-04.pcd", *cloud);
pcl::PointCloud<pcl::PointXYZ>::iterator index = cloud->begin();
cloud->erase(index, index + 999);//区间删除
index = cloud->begin() + 999;//单个删除
cloud->erase(cloud->begin());
//可视化
pcl::visualization::PCLVisualizer viewer("Cloud Viewer");//创建对象
viewer.setBackgroundColor(0.05, 0.05, 0.05, 0);//背景为白色
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> sig(cloud, 230, 66, 99);
viewer.addPointCloud(cloud, sig, "cloud");
//设置大小
//viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1);
//直到关闭窗口结束循环
while (!viewer.wasStopped())
{
//每次循环调用内部的重绘函数
viewer.spinOnce();
}
}
void pcd_add()
{
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("D://0718box//0718-04_test.pcd", *cloud);
pcl::PointCloud<pcl::PointXYZ>::iterator index = cloud->begin();
pcl::PointXYZ point = {
1,1,1 };
//std::vector<int> index = { 1, 3, 5, 7, 8, 11, 56, 77 };
cloud->insert(cloud->begin() + 7, point);//在索引号为7的位置1上插入一点，原来的点后移一位
cloud->push_back(point);//在点云最后面插入一点
std::cout << cloud->points[7].x<<std::endl;
//打印输出点云数据
for (size_t i = 0; i < cloud->points.size(); ++i)
{
std::cout << cloud->points[i].x << " " << cloud->points[i].y << " " << cloud->points[i].z << std::endl;
}
//可视化
pcl::visualization::PCLVisualizer viewer("Cloud Viewer");//创建对象
viewer.setBackgroundColor(0.05, 0.05, 0.05, 0);//背景为白色
pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> sig(cloud, 230, 66, 99);
viewer.addPointCloud(cloud, sig, "cloud");
viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5);
//直到关闭窗口结束循环
while (!viewer.wasStopped())
{
//每次循环调用内部的重绘函数
viewer.spinOnce();
}
}
文章浏览阅读78次。#include <windows.h>#include <stdio.h>LRESULT CALLBACK WinSunProc(//名字可以更改。参数类型不能变 HWND hwnd, // handle to window 窗口句柄 UINT uMsg, // message identifier WPARAM wParam, // first m..._mfc简单实例
文章浏览阅读5.1k次，点赞4次，收藏20次。1.安装mariadbyum和源码编译安装的区别1.路径区别-yum安装的软件是他自定义的，源码安装的软件./configure --preifx=软件安装的绝对路径2.yum仓库的软件，版本可能比较低，而源码编译安装，版本可控3.编译安装的软件，支持第三方功能扩展./configure 这里可以加上很多参数，定制功能 yum仓库1.阿里云的yum仓库2.mysql官网，也会提供rpm包，源码包，以及yum源，供给下载 yum 安装文档 https://mariadb_linux 用rpm安装maria
文章浏览阅读1k次。自定义Drawable实现环形进度条._android使用layerdrawable实现自定义环形进度条
文章浏览阅读30次。IdentityServer4+Vue+asp.netcore开源项目地址区别OpenId: Authentication :认证Oauth: Aurhorize :授权输入账号密码，QQ确认输入了正确的账号密码可以登录 --->认证下面需要勾选的复选框(获取昵称、头像、性别)----->授权 OpenID当你需要访问A网站的时候,A网站要求你输入你的OpenId,...
文章浏览阅读326次。先来看设置浮动后,未清除的效果:我们给父元素设置了背景颜色,但是由于浮动,此时没有背景颜色 清除浮动 .father{ border: 1px solid red; background: #fc9; } .div1{ width: 80px; height: 80px; background: red; float: le_li怎么消除浮动
文章浏览阅读433次，点赞3次，收藏7次。== camera sensor 接口配置xxsensor.cpp -> xxxsensor.soCalculateExposure 函数 pCalculateExposure函数 （平台）输入参数: pCalculateExposureData realgain ：total gain，ae算法传过来的值或者手动曝光的值 linecount：经过平台已经转换过的曝光时间 middlerealg
文章浏览阅读1.1k次。poll()函数：这个函数是某些Unix系统提供的用于执行与select()函数同等功能的函数，下面是这个函数的声明：#include int poll(struct pollfd fds[], nfds_t nfds, int timeout)；参数说明:fds：一个struct pollfd结构类型的数组，用于存放需要检测其状态的Socket描述符；每当调用这个_poll 上下层例子
文章浏览阅读36次。选题背景：随着互联网的快速发展和智能设备的普及，多媒体素材的应用越来越广泛。无论是网页设计、移动应用开发还是数字媒体创作，都离不开丰富多样的多媒体素材。然而，随着素材数量的增加和管理的复杂性，传统的素材管理方式已经无法满足需求。因此，开发一个高效、便捷的多媒体素材管理库成为了迫切的需求。选题意义：提高工作效率：传统的多媒体素材管理方式往往需要人工进行分类、整理和搜索，耗费大量时间和精力。而通过开发一个多媒体素材管理库，可以实现自动化的分类、标签化和搜索功能，极大地提高工作效率。优化用户体验：多
文章浏览阅读1.5k次。使用Hutool的SystemTimer做延时消息处理_hutool systemtimer
文章浏览阅读399次。按照以上步骤进行操作，一般情况下，视频号下载提取器都能成功地提取视频号中的链接。值得注意的是，视频号提取工具可能会受到平台的影响，如果出现失效的情况，你可以关注"去水印提取下载"以获取备用视频下载助手。1. 首先，在微信客户端中搜索并添加"下载小助手儿"并关注获取推送的消息。然后添加视频下载助手为好友，可以帮助你解析视频号链接。4. 视频发送完成后，打开与"视频下载助手"的对话框，在其中寻找视频号小程序消息。2. 打开微信，并找到你想要提取链接的视频号。3. 在分享页面中，选择转发给好友"视频下载助手"。
文章浏览阅读90次。 关于作者: 历任研发工程师，技术组长，教学总监；曾于2016年、2020年两度荣获CSDN年度十大博客之星。 十载寒冰，难凉热血；多年过去，历经变迁，物是人非。 然而，对于技术的探索和追求从未停歇。 坚持原创，热衷分享，初心未改，继往开来！汽车网站、汽车介绍、汽车官网、汽车租赁、企业网页 、等网站的设计与制作。️ 此作品为学生汽车网页设计题材，HTML+CSS 布局制作,web前端期末大作业,大学生网页设计作业源码，这是一个不错的网页制作，画面精明，代码为简单学生水平, 非常
文章浏览阅读651次，点赞4次，收藏8次。为了以后能够顺利的将模型部署在rk3568开发板中，我们首先要在rknn-toolkit2提供的环境中进行运行测试，从而保证所选模型能够在开发板上进行部署，测试环境是Ubuntu20.04。训练和如何导出ONNX这里就不说了，yolov5已经是非常成熟的算法了，网上有其数不清的教程，所以这里就不重复说了。_rknn inference输出