原理

octree是一种管理稀疏3D数据的树状结构，利用octree实现多个无序点云之间的空间变化检测，这些点云可能在尺寸。分辨率 密度，和点顺序等方面有所差异，通过递归的比较octree的树结构，可以鉴定出由octree产生的体素组成的区别所代表的空间变化，并且通过octree的“双缓冲”技术，可以实时的探测多个点云之间的空间组成的差异。

对无序点云在空间变化上的检测，其实是对前后两幅点云在八叉树结构下的差异检测。因此我们要首先载入一个原始点云，并生成第一个八叉树结构；然后切缓冲，载入第二个点云，生成第二个八叉树结构；最后进行比较，如果有一些叶子结点在第二个八叉树上，但是不在第一个八叉树上，那么就认为这些叶子节点内的点是空间上变化多出来的点。

Code

=====================================================

#include <pcl/point_cloud.h>
#include <pcl/octree/octree.h>
#include <iostream>
#include <vector>
#include <ctime>

包含的头文件

=====================================================

    //创建时间随机种子  取随机数用的
    srand ((unsigned int) time (NULL));

    //声明一个点云 A  指针 并分配空间
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloudA (new pcl::PointCloud<pcl::PointXYZ> );
    
    //定义点云大小  点云个数128个，无序
    cloudA->width =128;
    cloudA->height =1;
    cloudA->points.resize (cloudA->width *cloudA->height);
    //循环给点云赋值 通过 随机数  点云的坐标 0-64
    for (size_t i=0; i<cloudA->points.size (); ++i)
    {
        cloudA->points[i].x =64.0f* rand () / (RAND_MAX +1.0f);
        cloudA->points[i].y =64.0f* rand () / (RAND_MAX +1.0f);
        cloudA->points[i].z =64.0f* rand () / (RAND_MAX +1.0f);
    }

创建一个点云 cloudA
个数 128个 x，y，z的坐标 0-64 取随机值

=====================================================

     /* 设置分辨率 描述的是最低一级 八叉树 的 最小体素 的 尺寸*/
    float resolution =32.0f;
    
    /* 构建 八叉树 变化 检测 的 类 并设置 分辨率 */
    pcl::octree::OctreePointCloudChangeDetector<pcl::PointXYZ>octree (resolution);  

构建 八叉树 变化 检测 的 类 并设置 分辨率

=====================================================

    /* 赋值八叉树的 点云 */
    octree.setInputCloud (cloudA);//设置输入的点云
    octree.addPointsFromInputCloud ();//将输入的点云添加到八叉树

将 cloudA 输入 八叉树 ，构建其数据结构 将其作为基础点云
后面可检测比其多的点云多的点。但是不能检测 第二个点云比其少的点

=====================================================

   /*交换八叉树缓存，但是cloudA对应的八叉树仍在内存中*/ 
    octree.switchBuffers ();

点云 cloudA 是 参考点云 ，用其建立的八叉树对象 描述它的空间分布

OctreePointCloudChangeDetector继承自 Octree2BufBase 类，该类允许同时在内存中保存和管理两个八叉树
它应用了内存池，重复利用已经分配的节点对象，减少内存分配和释放操作
通过访问octree.switchBuffers () 重置了八叉树对象的缓存区，但把之前的八叉树仍然留着缓存中

=====================================================

    //声明一个点云 B  指针 并分配空间
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloudB (new pcl::PointCloud<pcl::PointXYZ> );
    
    //定义点云大小  点云个数128个，无序
    cloudB->width =128;
    cloudB->height =1;
    cloudB->points.resize (cloudB->width *cloudB->height);
    //循环给点云赋值 通过 随机数  点云的坐标 0-64
    for (size_t i=0; i<cloudB->points.size (); ++i)
    {
        cloudB->points[i].x =90.0f* rand () / (RAND_MAX +1.0f);
        cloudB->points[i].y =90.0f* rand () / (RAND_MAX +1.0f);
        cloudB->points[i].z =90.0f* rand () / (RAND_MAX +1.0f);
    }

声明一个点云 B 指针 并分配空间
个数 128个 x，y，z的坐标 0-90 取随机值

范围比A 大一点 ，容易有效果

=====================================================

    /*声明 B 比 A 多 出 的点云 的索引值 保存 向量*/
    std::vector<int>newPointIdxVector;

    /* 得到B比A 多出来的 索引值  注意 B 比 A  少的  不会得到  */
    octree.getPointIndicesFromNewVoxels (newPointIdxVector);

通过 函数 getPointIndicesFromNewVoxels 得 到 B比A 多出来的 索引值

=====================================================

    // 终端打印 B 比 A 多出 来的  点云
    std::cout<<"Output from getPointIndicesFromNewVoxels:"<<std::endl;
    for (size_t i=0; i<newPointIdxVector.size (); ++i)
    std::cout<<i<<"# Index:"<<newPointIdxVector[i]
    <<"  Point:"<<cloudB->points[newPointIdxVector[i]].x <<" "
    <<cloudB->points[newPointIdxVector[i]].y <<" "
    <<cloudB->points[newPointIdxVector[i]].z <<std::endl;

终端打印 B 比 A 多出 来的 点云

=====================================================

        //声明一个点云 C  指针 并分配空间
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloudC (new pcl::PointCloud<pcl::PointXYZ> );
    //定义点云大小  点云个数上面计算的 B 比 A 多出的 个，无序
    cloudC->width =newPointIdxVector.size ();
    cloudC->height =1;
    cloudC->points.resize (cloudC->width *cloudC->height);

    for(size_t i=0;i<newPointIdxVector.size ();++i)
    {
        cloudC->points[i]=cloudB->points[newPointIdxVector[i]];

    }

新建一个点云C 来保存 B比A 多出来的点

=====================================================

    //可视化模块
    pcl::visualization::PCLVisualizer::Ptr viewer (new pcl::visualization::PCLVisualizer ("3D Viewwe"));//创建指针viewer
    viewer->initCameraParameters();//初始化相机参数

添加可视模块 来 把 点云显示出来

=====================================================

    int v1(0);//第一个窗口的参数
    viewer->createViewPort(0.0,0.0,0.33,1,v1); //设置第一个窗口的大小，位于屏幕左侧
    viewer->setBackgroundColor(0,0,0,v1);//background of first port
    viewer->addText("cloudA",10,10,"cloudA",v1);//好像是一个便签
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloudA,255,0,0);//设置第一个点云的颜色
    viewer->addPointCloud<pcl::PointXYZ>(cloudA,single_color1,"cloudA",v1);//显示第一个点云

把 点云A 显示为 红色

=====================================================

    int v2(0);//第一个窗口的参数
    viewer->createViewPort(0.33,0,0.66,1,v2);//设置第二个窗口的大小，位于屏幕右侧
    viewer->setBackgroundColor(0,0,0,v2);//background of second port
    viewer->addText("cloudB",10,9,"cloudB",v2);//输出一行文字
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color2(cloudB,0,255,0);//设置第二个点云的颜色
    viewer->addPointCloud<pcl::PointXYZ>(cloudB,single_color2,"simple_cloud2",v2);//显示第二个点云

第二个窗口 点云 B 显示 为绿色

=====================================================

    //第三个点云窗口
    int v3(0);//第三个窗口的参数
    viewer->createViewPort(0.66,0,1,1,v3);//窗口大小
    viewer->setBackgroundColor(0,0,0,v3);//背景颜色
    viewer->addText("cloud_result",10,8,"cloud_result",v3);//好像是一个便签
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color3(cloudC,255,255,255);//点云颜色

    viewer->addPointCloud<pcl::PointXYZ>(cloudA,single_color1,"cloud1",v3);//显示点云
    viewer->addPointCloud<pcl::PointXYZ>(cloudB,single_color2,"cloud2",v3);//显示点云
    viewer->addPointCloud<pcl::PointXYZ>(cloudC,single_color3,"cloud3",v3);//显示点云
    viewer->addCoordinateSystem(2);//添加坐标系
    viewer->spin();

第三个窗口将 点云A、B、C 显示在一起。来看下整体效果

=====================================================

Result

终端打印的 B 比A 多出的 点云

点云显示的点

左边为点云A ，中间为点云B

右边为三个点云的组合;
红色的是A点云有B点云没有的;绿色为A和B共有的;白色为B比A 多的。