3d点云处理--特征点提取

特征点提取思路：

Handcrafted

• Harris family
  • Harris 3D
  • Harris 5D
• ISS

Deep Learning

• USIP

 

特征点的描述方法较多。

直接的icp，ndt方法可能不好=》寻找特征点，进行描述，匹配

ICP配准失败原因：

1. 初始化位置选择有问题

2. 两帧点云重合的部分较少=》扫到了不同的部分，比如innvosuion的雷达

 

 

 

Harris特征

物理意义上理解harris特征：

我们关注每个点在x，y方向intensity变化的速率。

如果在两个方向变化都快，这就是角点。

数学上设计理念：

1.  通过一个scalar的阈值进行判断

2. 考虑到两个方向对于最后得到数值的影响。  

 

 

 

直观的看一些一阶导数对应的分布。

针对linear edge, 可以看到在x方向intensity大的很多。

特征点所对应的lamda1和lambda2都很大

请注意：response function有不同的定义，而且你也要相应设置不同的阈值。最后得到的形状应该都是这样。感觉tomasi的角点复杂度最低。

 

 

问题： Harris角点和shi-Tomasi角点计算特征有啥区别呢？

参考了博文：Harris Corner Detection and Shi-Tomasi Corner Detection，解释的挺好～

To conclude, Harris & Shi-Tomasi corner detection methods are some really cool and easy algorithms to detect-those-corners using the simple concepts of intensity gradients. Shi-Tomasi is a slightly better version after just changing the score formula. We detect corners for several applications : image alignment, image stitching (remember the panorama feature on your phone camera?), object recognition, 3D reconstruction, motion tracking and so on.