关于人工智能:PCL小功能重构-Eigen小工具

不得不说 pcl 性能的确很弱小，弱小到能够通过调用函数实现样点的操作，然而对于独立的小性能而言，很多时候并不一定须要调用 pcl 库，而是能够通过简略的数学运算搞定。本文章次要记录一些简略性能的原理与 Eigen 的实现。

矩阵转换

在点云处理过程中，须要经常性的对点云进行空间姿势的转换，在 pcl 中，通过调用 pcl::transformPointCloudWithNormals() 与pcl::transformPointCloud()可实现对点云的坐标转换，然而，此函数须要特定的数据类型作为输出，在应用中，如果只是对个别样点进行坐标转换，采纳调函数的形式就略显臃肿了，所以，现将该函数重形成 Eigen 库的实现。
旋转矩阵与样点及其属性的转换次要有两个：其一为空间坐标的转换，其二为空间方向的转换。
根本步骤：

将 3 维坐标扩大为齐次坐标：旋转矩阵示意空间坐标的组合变换，即蕴含旋转变换，又蕴含平移变换，从变换关系剖析，须要先进行旋转静止，而后再进行平移静止，旋转的计算用 * 实现，平移的计算用 + 实现；从计算模式上剖析，是一个 4*4 的矩阵，所以要放弃行列统一能力进行计算，具体齐次坐标转化为：

空间坐标：(100, 200, 300) -> (100, 200, 300, 1)
空间方向：(1.0, 0.0, 0.0) -> (1.0, 0.0, 0.0, 0)

应用齐次坐标示意矩阵相乘：

测试代码如下：

    pcl::PointNormal tmp;
    tmp.x = 100;
    tmp.y = 200;
    tmp.z = 300;
    tmp.normal_x = 1.0;
    tmp.normal_y = 0.0;
    tmp.normal_z = 0.0;
    Eigen::Vector4f point(tmp.x, tmp.y, tmp.z, 1);
    Eigen::Vector4f normal(tmp.normal_x, tmp.normal_y, tmp.normal_z, 0);
    cout << "point =" << (mat * point).transpose() << endl;
    cout << "normal =" << (mat * normal).transpose() << endl;

前言

矩阵转换