PCL三维特征

概念

在点云的原生表示中，3D映射系统中将点云中的点相对于给定原点的笛卡尔坐标下x、y、z表示。

假设坐标系的原点不随时间变化，在t1和t2处可能有两个点p1和p2，具有相同的坐标。然而，比较这些点是一个不适定问题，因为即使它们在某些距离度量（例如欧几里德度量）上是相等的，它们也可以在完全不同的曲面上采样，因此当与它们附近的其他周围点一起采集时，它们代表完全不同的信息。这是因为不能保证世界在t1和t2之间没有变化。一些采集设备可能会为采样点提供额外信息，例如强度或表面缓解值，甚至颜色，但是这并不能完全解决问题，而且比较仍然不明确。通俗的讲就是同一个点在不同时刻可以是平面上的也可以是球面上的，周围点是必然不同的

由于各种原因需要比较点的应用程序需要更好的特性和度量，以便能够区分几何曲面。因此，三维点作为笛卡尔坐标的奇异实体的概念消失了，取而代之的是一个新的概念，即局部描述符。文献中有大量描述相同概念的不同命名方案，例如形状描述符或几何特征，但对于本文档的其余部分，它们将被称为点特征表示。

通过包含周围的邻域，可以在特征描述中推断并捕获下一层采样曲面的几何特征，有助于解决模糊度比较问题。理想情况下，对于位于相同或相似表面上的点，生成的特征将非常相似（相对于某些度量），对于位于不同表面上的点，生成的特征将不同，如下图所示。一个好的点特征表示与一个坏的点特征表示不同，它能够在以下情况下捕获相同的局部表面特征：

• 刚性变换：即数据中的三维旋转和三维平移不应影响生成的特征向量F估计；

• 改变采样密度：原则上，采样密度或多或少的局部曲面片应具有相同的特征向量特征；

• 噪声：当数据中存在轻微噪声时，点特征表示必须在其特征向量中保留相同或非常相似的值。

通常，PCL特征使用近似方法计算查询点的最近邻，使用快速kd树查询。我们感兴趣的查询有两种：

• 确定查询点（也称为k-搜索）的k（用户给定参数）邻域；

• 确定半径r（也称为半径搜索）范围内查询点的所有邻居。

输入

作为PCL中几乎所有继承自基本PCL：：PCLBase类的类，PCL：：Feature类以两种不同的方式接受输入数据：

• 通过setInputCloud（PointCloudConstPtr&）提供点云数据集（必需）

  任何特征估计类，都会尝试在给定输入云中的每个点估计一个特征。

• 点云数据集的子集，通过setInputCloud（PointCloudConstPtr&）和setindex（indicescontpttr&）给出（可选）

  任何特征估计类，都将尝试在给定输入云中的每个点上，估计在给定索引列表中有索引的特征。默认情况下，如果未给定索引集，则将考虑云中的所有点，此外，可以通过另一个调用setSearchSurface（PointCloudConstPtr&）指定要使用的点邻居集。此调用是可选的，如果未给定搜索曲面，则默认情况下将使用输入点云数据集。

  共提供四种组合。

应用

查询点的相邻点可用于估计局部特征表示，该局部特征表示捕获查询点周围底层采样曲面的几何图形。

常用特征

• 曲面法线

随着点特征表示的发展，曲面法线和曲率估计在表示特定点周围的几何体时有些基础。虽然速度非常快，计算也非常容易，但它们不能捕捉太多细节，因为它们只用很少的值来近似点的k-邻域的几何结构。作为直接结果，大多数场景将包含许多具有相同或非常相似特征值的点，从而减少它们的信息特征。

• 点特征直方图（PFH）描述符
• 快速点特征直方图（FPFH）描述符
  PFH计算复杂度为O(k^2)，FPFH降到了O(k)，同时仍然保留PFH的大部分辨别能力
• 视点特征直方图（VFH）描述子
  一组点的VFH特征估计，用于点簇的目标识别与六自由度位姿估计
• NARF特征 normal aligned radial feature(法线对齐的径向特征)
• 基于惯性矩和偏心率的描述符
• 旋转投影统计特性
• 全球对齐空间分布（GASD）描述符