本文转载于公众号@点云PCL，原文链接：https://mp.weixin.qq.com/s/akqAAKQIWe6ua6NRkRSW4Q
PCL是随着ROS的而出现的三维点云处理的库，很多做机器人的朋友一定不陌生，这里将首先介绍在PCL库中经常使用的两种点云之间的转换，这里将根据工程中的经验，从代码层面举例分析如何实现程序中定义的各种点云数据之间转换，并且介绍PCL在应用于ROS中应该如何转换数据结构。
pcl::PCLPointCloud2::Ptr 与 pcl::PointCloudpcl::PointXYZ之间的关系
pcl::PointXYZ 是数据结构，pcl::PointCloud 是一个构造函数，比如
pcl::PointCloud cloud; cloud.push_back (pcl::PointXYZ (rand (), rand (), rand ())); cloud.push_back (pcl::PointXYZ (rand (), rand (), rand ())); cloud.push_back (pcl::PointXYZ (rand (), rand (), rand ())); cloud.push_back (pcl::PointXYZ (rand (), rand (), rand ()));
构造函数pcl::PointCloud 还包含了点云的其他属性，比如点云数据的width， height ，is_dense ，sensor_origin_ ，sensor_orientation_。
而pcl::PCLPointCloud2 是一个结构体，同样包含了点云的基本属性，在PCL中的定义为
struct PCLPointCloud2 {
PCLPointCloud2 () : header (), height (0), width (0), fields (),
is_bigendian (false), point_step (0), row_step (0),
data (), is_dense (false) #if defined(BOOST_BIG_ENDIAN)
{
is_bigendian = true; #elif defined(BOOST_LITTLE_ENDIAN)
is_bigendian = false; #else #error "unable to determine system endianness" #endif
}::pcl::PCLHeader header;
pcl::uint32_t height;
pcl::uint32_t width; std::vector< ::pcl::PCLPointField> fields;
pcl::uint8_t is_bigendian;
pcl::uint32_t point_step;
pcl::uint32_t row_step;
std::vectordata;
pcl::uint8_t is_dense;
public:
typedef boost::shared_ptr< ::pcl::PCLPointCloud2> Ptr;
typedef boost::shared_ptr< ::pcl::PCLPointCloud2 const> ConstPtr;
}; // struct PCLPointCloud2
那么在这个结构体中加上Ptr
pcl::PCLPointCloud2::Ptr,就表示智能指针，
下面在程序中实现滤波的功能，并实例说明两者之间的变换
pcl::PCLPointCloud2::Ptr cloud_blob (new pcl::PCLPointCloud2),
cloud_filtered_blob (new pcl::PCLPointCloud2);
pcl::PointCloud::Ptr cloud_filtered (new pcl::PointCloud)；
pcl::PCDReader reader;
//在这里读取一个pcl::PCLPointCloud2::Ptr 定义的cloud_blob
reader.read ("table_scene_lms400.pcd", *cloud_blob);
pcl::VoxelGridsor;
sor.setInputCloud (cloud_blob);
sor.setLeafSize (0.01f, 0.01f, 0.01f);
//经过体素滤波后输出的点云格式仍然是pcl::PCLPointCloud2::Ptr
sor.filter (*cloud_filtered_blob);
//重点：这里是为了将pcl::PCLPointCloud2::Ptr 转换到pcl::PointCloud::Ptr
pcl::fromPCLPointCloud2 (*cloud_filtered_blob, *cloud_filtered);
pcl::fromPCLPointCloud2 (*cloud_filtered_blob, *cloud_filtered);
这一句实现pcl::PCLPointCloud数据格式的点云转化为pcl::PointCloud格式
智能指针Ptr类型点云数据和非Ptr类型相互转换
pcl::PointCloud::Ptr cloud_Ptr(new pcl::PointCloud); pcl::PointCloudcloud; cloud=*cloud_Ptr; cloud_Ptr=cloud.makeShared;
比如下面的程序如果我们定义了非智能指针形式的点云表示 cloud,实现一个分割的代码如下，此时我们需要注意在setInputCloud 中需要注意为cloud.makeShared() 将点云表示为指针的形式，因为该函数输入要求是智能指针的点云。
pcl::PointCloudcloud;pcl::SACSegmentationseg;****seg.setInputCloud(cloud.makeShared());
总结一下PCL中提供的点云数据格式之间的转换
（1）
void pcl::fromPCLPointCloud(const pcl:PCLPointCloud2 & msg pcl::PointCloud& cloudconst MsgFieldMap & filed_map )
（2）
void pcl::fromPCLPointCloud2(const pcl::PCLPointCloud & msg pcl::PointCloud&cloud )
（3）
void pcl::fromROSMsg（const pcl:PCLPointCloud2 & msg pcl::PointCloud& cloudconst MsgFieldMap & filed_map ）
（4）
void pcl::fromROSMsg（const pcl:PCLPointCloud2 & msg pcl::PointCloud& cloud ）
在ROS中又该如何实现ROS中定义的点云与PCL定义的点云数据转换呢？
首先我们举例在ROS中有以下的两中点云数据格式
sensor_msgs::PointCloud
sensor_msgs::PointCloud2
ROS与PCL中的pcl::PointCloud 点云数据格式转换（使用PCL库里的转换函数）：
sensor_msgs::PointCloud2 和 pcl::PointCloud之间的转换
使用pcl::fromROSMsg 和 pcl::toROSMsg
void fromROSMsg(const sensor_msgs::PointCloud2 &, pcl::PointCloud&);
void toROSMsg(const pcl::PointCloud&, sensor_msgs::PointCloud2 &);
ROS与PCL中的pcl::PCLPointCloud2点云数据转换（使用ROS中的pcl_conversions函数进行转换）：
sensor_msgs::PointCloud2ConstPtr 和 pcl::PCLPointCloud2之间的转换使用
使用pcl_conversions::toPCL和pcl_conversions::fromPCL
void fromPCL(const&,&);
void toPCL(const&,&);
ROS中两种点云数据格式之间的转换：
sensor_msgs::PointCloud 和 sensor_msgs::PointCloud2之间的转换
使用sensor_msgs::convertPointCloud2ToPointCloud 和 sensor_msgs::convertPointCloudToPointCloud2.
（这里为什么ROS有两种点云的数据格式呢，由于在ROS的迭代，刚开始定义的点云是sensor_msgs::PointCloud 仅仅包含了点云的XYZ以及的多个通道点云，而随着ROS的发展该形式已经不能满足需求，所以出现了 sensor_msgs::PointCloud2 不仅包含了 sensor_msgs::PointCloud2 中的多通道的点云数据，而且还增加了点云的其他属性，比如宽，高，是否稠密等）
这里举个例子比如我们要通过ROS发布一个点云数据的topic，我们该如何写程序呢？
以下功能是实现sensor_msgs::PointCloud2ConstPtr到 sensor_msgs::PointCloud2之间的转换
#include #include #include #include #include ros::Publisher pub;void cloud_cb (const sensor_msgs::PointCloud2ConstPtr& input) { sensor_msgs::PointCloud2 output; output = *input; pub.publish (output); // Publish the data. } int main (int argc, char** argv) { ros::init (argc, argv, "my_pcl_tutorial"); ros::NodeHandle nh; ros::Subscriber sub = nh.subscribe ("input", 1, cloud_cb); pub = nh.advertise("output", 1); ros::spin (); }
以上案例是最为简单的为了实现采集点云通过ROS发布出去的实例，如果我们想在上面的程序中的回调函数cloud_cb中经过一个滤波处理中该如何进行数据转换呢？我们可以分析以下，需要经过以下的转换
sensor_msgs::PointCloud2ConstPtr －－＞pcl::PCLPointCloud2
（这里我们举例该类型为滤波函数的输入，当然也可以是其他PCL的点云形式）
－－＞sensor_msgs::PointCloud2
（这是最种需要发布出去的点云的数据形式，为什么要这种形式，因为这种形式在ROS中的RVIZ可视化的时候不会出现警告）
#include #include #include #include #include //滤波的头文件#include ros::Publisher pub; void cloud_cb (const sensor_msgs::PointCloud2ConstPtr& input){ pcl::PCLPointCloud2* cloud = new pcl::PCLPointCloud2; pcl::PCLPointCloud2ConstPtr cloudPtr(cloud); pcl::PCLPointCloud2 cloud_filtered; pcl_conversions::toPCL(*input, *cloud); // 进行一个滤波处理 pcl::VoxelGridsor; sor.setInputCloud (cloudPtr); sor.setLeafSize (0.1, 0.1, 0.1); sor.filter (cloud_filtered); sensor_msgs::PointCloud2 output; //声明的输出的点云的格式 pcl_conversions::fromPCL(cloud_filtered, output); pub.publish (output);} int main (int argc, char** argv) { ros::init (argc, argv, "my_pcl_tutorial"); ros::NodeHandle nh; ros::Subscriber sub = nh.subscribe ("input", 1, cloud_cb); pub = nh.advertise("output", 1); ros::spin ();}
解析：上面的函数使用ROS的转换函数，进行了两次点云数据的转换
pcl_conversions::toPCL(*input, *cloud); pcl_conversions::fromPCL(cloud_filtered, output);
以下是一个kinect点云数据在ROS中可视化
sensor_msgs::PointCloud2 与 pcl::PointCloud之间的转换，这里直接以一个回调函数实现平面分割为例，使用PCL提供的接口实现到ROS的转换：
void cloud_cb (const sensor_msgs::PointCloud2ConstPtr& input) { pcl::PointCloudcloud; pcl::fromROSMsg (*input, cloud); pcl::ModelCoefficients coefficients; pcl::PointIndices inliers; pcl::SACSegmentationseg; seg.setOptimizeCoefficients (true); seg.setModelType (pcl::SACMODEL_PLANE); //平面模型 seg.setMethodType (pcl::SAC_RANSAC); //分割平面模型所使用的分割方法 seg.setDistanceThreshold (0.01); //设置最小的阀值距离 seg.setInputCloud (cloud.makeShared ()); //设置输入的点云 seg.segment (inliers, coefficients); //cloud.makeShared() 创建一个 boost shared_ptr
pcl_msgs::ModelCoefficients ros_coefficients; pcl_conversions::fromPCL(coefficients, ros_coefficients); pub.publish (ros_coefficients);}
这里不再一一用程序举例，总结一下ROS中提供的pcl_conversions命名空间下点云转换关系
fromPCL (const pcl::PCLPointCloud2 &pcl_pc2, sensor_msgs::PointCloud2 &pc2)toPCL (const sensor_msgs::PointCloud2 &pc2, pcl::PCLPointCloud2 &pcl_pc2)
使用PCL中提供的函数实现到ROS的点云数据转换实例
void cloud_cb (const sensor_msgs::PointCloud2ConstPtr& input) { sensor_msgs::PointCloud2 output; pcl::PointCloud::Ptr cloud (new pcl::PointCloud); output = *input; pcl::fromROSMsg(output,*cloud); pub.publish (output); }
总结
无论是ROS还是PCL都相互提供了PCL到ROS，ROS到PCL的点云数据的转换。
本文仅做学术分享，如有侵权，请联系删文。
下载1
在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。
汇总|国内最全的3D视觉学习资源，涉及计算机视觉、SLAM、三维重建、点云处理、姿态估计、深度估计、3D检测、自动驾驶、深度学习（2D+3D）、图像处理、立体视觉、结构光等方向：https://mp.weixin.qq.com/s/xyGndcupuK1Zzmv1AJA5CQ
