另一方面，pcl ros实现了90度的分割。 如前所述，稍加修改，统一处理。
# include iostream # include string.h # include string # io/PCD _ io.h # include PCL/point _ types.h # include include PCL _ conversions/PCL _ conversions.h # include PCL/conversions.h # include PCL _ ROS/ttts include sensor _ MP wichcontainstherequireddefinitionstoloadandstorepointcloudstopcdandotherfileformats.# include PCL/io/PCD _ io.h/PCD DDD xzuobiaovoidclip _ above (双剪辑_ cor， const PCL 33603360 pointcloudpcl 33603360 pointxyzi 3360000 const PCL :3360 pointcloudpcl : pointxyzi 3: ptr out (PCL 33: PCL :3360 pointindicesindices； #pragmaOMPforfor(size_tI=0； i in-points.size (； I ) if(in-points[I].xclip_cor ) indices.indices.push_back ) I； } cliper.set indices (boost :3360 make _ shared PCL 33603360 point indices (indices )； cliper.setnegative(true； //turetoremovetheindicescliper.filter (* out )； } void clip _ xy (const PCL :3360 pointcloudpcl 33603360 pointxyzi 3360: ptr in， const PCL : pointcloudpcl :3360 pointxyzi :3360 ptr out (PCL : extractindicespcl 3360: pointxyzicliper cliper clioutr PCL :3360 pointindicesindices； #pragmaOMPforfor(size_tI=0； i in-points.size (； I ) if(ABS(in-points[I].x ) ABS ) in-points[I].y ) (indices.indices.push_back ) I )； } cliper.set indices (boost :3360 make _ shared PCL 33603360 point indices (indices )； cliper.setnegative(true； //turetoremovetheindicescliper.filter (* out )； (intmain ) intargc， char** argv ) PCL :3360 pointcloudpcl 33603360 pointxyzi 33603360 ptr cloud ) new PCL 3360: pointxyzi 33603360 ptr cloud ) new //replacethepathbelowwiththepathwhereyousavedyourfileinti=1； for(I； i 10； i=i 1 ) { char *filename=new char[25]； char *filename2=new char[25
]; sprintf(filename,"%d.pcd",i); reader.read (filename, *cloud); // Remember to download the file first! std::cerr << "PointCloud before filtering: " << cloud->width * cloud->height << " data points (" << pcl::getFieldsList (*cloud) << ")."; pcl::PointCloud<pcl::PointXYZI>::Ptr cliped_pc_ptr(new pcl::PointCloud<pcl::PointXYZI>); clip_above(CLIP_COR, cloud, cliped_pc_ptr); pcl::PointCloud<pcl::PointXYZI>::Ptr remove_close(new pcl::PointCloud<pcl::PointXYZI>); clip_xy(cliped_pc_ptr, remove_close); std::cerr << "PointCloud after filtering: " << remove_close->width * remove_close->height << " data points (" << pcl::getFieldsList (*remove_close) << ")."; pcl::PCDWriter writer; sprintf(filename2,"%d_new.pcd",i); writer.write (filename2, *remove_close, false); } return (0);}这个程序中有两点要说明：
１．Pcd点云格式的读取
pcl::PCDReader reader
reader.read(filename,datapointcloudname)
pcl::PCDWriter writer
writer.write(filename,datapointcloud)
2.连续读取文件名称顺序增加的代码
int i=1; for( i; i < 10; i = i + 1 ) { char *filename = new char[25]; sprintf(filename,"%d.pcd",i); reader.read (filename, *cloud); // Remember to down３．如何在利用ros完成c++的编译和运行
1) 在工作空间catkin_make,source,得到node节点．编译
2) 在文件所在文件夹中 roscore,rosrun package_name node_name．运行．
二．python 进行球面投影．
1.点云预处理该部分来自adamshan大佬，博客地址https://blog.csdn.net/AdamShan/article/details/83544089
传统的CNN设计多用于二维的图像模式识别（宽 × 高 ×× 通道数），三维的点云数据格式不符合该模式，而且点云数据稀疏无规律，这对特征提取都是不利的，因此，在将数据输入到CNN之前，首先对数据进行球面投影，从而到一个稠密的、二维的数据，球面投影示意图如下：
其中，ϕ和θ 分别表示点的方位角（azimuth）和顶角（altitude），这两个角如下图所示：
通常来说，方位角是相对于正北方向的夹角，但是，在我们Lidar的坐标系下,方位角为相对于x方向（车辆正前方）的夹角，ϕ和θ 的计算公式为：
其中，(x,y,z) 为三维点云中每一个点的坐标。所以对于点云中的每一个点都可以通过其 (x,y,z)计算其(θ,ϕ) ,也就是说我们将三维空间坐标系中的点都投射到了一个球面坐标系，这个球面坐标系实则已经是一个二维坐标系了，但是，为了便于理解，我们对其角度进行微分化从而得到一个二维的直角坐标系：
那么，球面坐标系下的每一个点都可以使用一个直角坐标系中的点表示，如下：
通过这么一层变换，我们就将三维空间中任意一点的位置 (x,y,z)投射到了2维坐标系下的一个点的位置 (i,j) 我们提取点云中每一个点的5个特征: (x,y,z,intensity,range)放入对应的二维坐标 (i,j)内。从而得到一个尺寸为 (H,W,C) 靓丽的白云（其中 5C=5）,由于论文使用的是Kitti的64线激光雷达，所以 H=64 ，水平方向上，受Kitti数据集标注范围的限制，原论文仅使用了正前方90度的Lidar扫描，使用512个网格对它们进行了划分（即水平上采样512个点）。所以，点云数据在输入到CNN中之前，数据被预处理成了一个尺寸为 (64×512×5) 的靓丽的白云。
２．代码实现 import numpy as npimport mathdef pcd2npy(filename): m = np.empty((64, 512, 6)) f = open(filename, 'r') line = f.readlines() for i in range(11,len(line)-1): a,b,c,d=line[i].split(' ',3) x=float(a) y=float(b) z=float(c) intensity=float(d) r = np.sqrt(x ** 2 + y ** 2 + z ** 2) # Map Distance from sensor r_xy=np.sqrt(x ** 2 + y ** 2) theta=math.asin(z/r)* 180/math.pi if(theta<0): theta+=30 fi=math.asin(y/r_xy)* 180/math.pi if(fi<0): fi+=90 theta_num = theta / 0.46875 fi_num = fi / 0.17578125 g = math.ceil(theta_num)-1 j = math.ceil(fi_num)-1 m[g][j][0] = x m[g][j][1] = y m[g][j][2] = z m[g][j][3] = intensity m[g][j][4] = r m[g][j][5] = 0.0 return mk=0for k in range(9): npyfile=pcd2npy("%01d"%k+"_new.pcd") np.save("%01d" % k + "_new.npy", npyfile) k+=11)pcd文件读取并按照４个一组划分．
2)按顺序读取文件名表达
"%01d" % k + "_new.npy" k本身占%01d字符，所以表达应该是 1_new.npy
3)pcd文本样式查看，用open with text editor.打开如下，是从第12行开始是点云．
4)调节微分数，未完待续．
总结：
１）无情的画笔转pcd（pcl+ros）
２）点云分割（pcl+ros）
３）球面投影（python）