PCL 点云特征描述及提取

参考：https://zhuanlan.zhihu.com/p/470786175

对应类	对应头文件	算法描述
pcl::ShapeContext3DEstimation< PointInT, PointNT, PointOutT >	#include	实现3D形状内容描述子算法
pcl::BOARDLocalReferenceFrameEstimation< PointInT, PointNT, PointOutT >	–	实现局部坐标系估计的方法 特别是处理点云边缘或有孔洞有特殊的处理方式
pcl::BoundaryEstimation< PointInT, PointNT, PointOutT >	–	实现估计一组点集是否处于指定点的投影区域的边缘位置
pcl::CRHEstimation< PointInT, PointNT, PointOutT >	–	实现摄像头旋转直方图描述子，利用概算法主要进行刚体对象的位姿估计
pcl::CVFHEstimation< PointInT, PointNT, PointOutT >	–	实现聚类视点直方图CVFH描述子的计算 主要是针对解决有残缺的点云识别问题
pcl::ESFEstimation< PointInT, PointOutT >	–	实现ESF描述子，主要用于实时对三维场景中的点云模型进行分类而提出的
pcl::PFHEstimation< PointInT, PointNT, PointOutT >	#include	快速点特征直方图描述子
pcl::MomentOfInertiaEstimation< PointInT>	#include	基于偏心率和惯性矩的描述特征
pcl::ROPSEstimation< PointInT, PointOutT >	#include	Rops（Rotational Projection Statistics）旋转投影统计特征
pcl::SHOTEstimation< PointInT, PointOutT >	#include	SHOT(Signature of Histograms of OrienTations)方向直方图特征

PFH特征提取

#include
#include
#include 
#include 
#include //点云文件pcd 读写
#include //法线特征
#include // 直方图的可视化 方法2

using namespace std;
int main(int argc, char** argv)
{

    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_ptr(new pcl::PointCloud<pcl::PointXYZ>);
    //======【1】 读取点云文件　填充点云对象======
    pcl::PCDReader reader;
    reader.read("mesh.pcd", *cloud_ptr);
    // =====【2】计算法线========创建法线估计类====================================
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud_ptr);
   
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    ne.setSearchMethod(tree);//设置近邻搜索算法
    // 输出点云 带有法线描述
    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals_ptr(new pcl::PointCloud<pcl::Normal>);
    pcl::PointCloud<pcl::Normal>& cloud_normals = *cloud_normals_ptr;
    // Use all neighbors in a sphere of radius 3cm
    ne.setRadiusSearch(0.03);//半价内搜索临近点 3cm
    // 计算表面法线特征
    ne.compute(cloud_normals);

    //=======【3】创建PFH估计对象pfh，并将输入点云数据集cloud和法线normals传递给它=================
    pcl::PFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::PFHSignature125> pfh;// phf特征估计其器
    pfh.setInputCloud(cloud_ptr);
    pfh.setInputNormals(cloud_normals_ptr);
    //如果点云是类型为PointNormal,则执行pfh.setInputNormals (cloud);
    //创建一个空的kd树表示法，并把它传递给PFH估计对象。
    //基于已给的输入数据集，建立kdtree
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>());
    //pcl::KdTreeFLANN::Ptr tree2 (new pcl::KdTreeFLANN ()); //-- older call for PCL 1.5-
    pfh.setSearchMethod(tree2);//设置近邻搜索算法
    //输出数据集
    pcl::PointCloud<pcl::PFHSignature125>::Ptr pfh_fe_ptr(new pcl::PointCloud<pcl::PFHSignature125>());//phf特征
    //使用半径在5厘米范围内的所有邻元素。
    //注意：此处使用的半径必须要大于估计表面法线时使用的半径!!!
    pfh.setRadiusSearch(0.05);
    //计算pfh特征值
    pfh.compute(*pfh_fe_ptr);
    cout << "phf feature size : " << pfh_fe_ptr->points.size() << endl;
    // 应该与input cloud->points.size ()有相同的大小，即每个点都有一个pfh特征向量

    // ========直方图可视化=============================
      pcl::visualization::PCLPlotter plotter;
      plotter.addFeatureHistogram(*pfh_fe_ptr, 300); //设置的很坐标长度，该值越大，则显示的越细致
      plotter.plot();

    return 0;
}

SHOT特征提取

基本原理：

1. 根据特征点球邻域信息建立局部参考坐标系LRF,对特征点的球邻域分别沿径向（内外球)、经度(时区）和纬度方向(南北半球)进行区域划分。通常径向划分为2，经度划分为8，纬度划分为2，总共32个小区域。

2. 分别统计每个小区域内的法向量夹角余弦值分布情况，法向量划分为11个bin。最终SHOT的长度为：32x11=352。

3. 代码如下：

   void KeyPoints::getFeatures(PointCloudXYZ::Ptr &cloud, PointCloudXYZ::Ptr &keys, pcl::PointCloud<pcl::SHOT352>::Ptr features, pcl::PointCloud<pcl::Normal>::Ptr cloud_normal)
   {
   	clock_t begin = clock();
   
   	//pcl::SHOTEstimation shot;
   	pcl::SHOTEstimationOMP<pcl::PointXYZ, pcl::Normal, pcl::SHOT352> shot;
   	shot.setRadiusSearch(KeyPoints::search_radius);
   	shot.setInputCloud(keys);
   	shot.setSearchSurface(cloud);
   	shot.setInputNormals(cloud_normal);
   	shot.compute(*features);
   	clock_t end = clock();
   	std::cout << "compute feature time is "<<(end-begin)<<"\n";
   	cout << "输入点云的大小是" << cloud->points.size() << endl;
   }