PCL点云库——关键点

一、NARF关键点

NARF（Normal Aligned Radial Feature）关键点是为了从深度图像中识别物体而提出的，关键点探测的重要一步是减少特征提取时的搜索空间，把重点放在重要的结构上，

对NARF关键点提取过程有以下要求：
（1）提取的过程必须将边缘以及物体表面变化信息考虑在内；
（2）关键点的位置必须稳定，可以被重复探测到，即使换了不同的视角；
（3）关键点所在的位置必须有稳定的支持区域，可以计算描述子并进行唯一的法向量估计。

为了满足上述要求，提出一下探测步骤来进行关键点提取：

（1）遍历每一个深度图像点，通过寻找在邻近区域有深度突变的位置进行边缘检测。
（2）遍历每个深度图像点，根据邻近区域的表面变化决定一种测度表面变化的系数，以及变化的主方向。
（3）根据第二步找到的主方向计算兴趣值，表征该方向与其他方向的不同，以及该处表面的变化情况，以及该处表面的变化情况，即该点有多稳定。
（4）对兴趣值进行平滑处理。
（5）进行无最大值压缩找到最终的关键点，即为NARF关键点。

论文将点分为三种类型：object borders , shadow borders , veil points

论文提出“提取边缘的最鲁棒的指导原则是：相邻点之间的距离变化（is a change in the distance between neighboring points.）”因此边缘提取的算法就是基于这个指导原则进行的。

对于每一个range image中的点Pi：
1、使用启发式方法寻找不跨越边缘的相邻点3D距离
2、使用（1）得到的距离信息，计算该点是边缘点的可行度（score）
3、如果是边缘点，将该点分为上述3类点中的一类
4、非极大抑制以获得精确的边缘点位置

特征点提取的指导原则如下：
1、必须考虑边缘和表面结构信息
2、必须是能在不同视角下都能被检测到的点
3、必须位于稳定的区域，从而可以得到的稳定的法向量

步骤如下：
1、对range image 中的每一个点，计算一个表示其领域表面变化的分数和这种变化的一个主方向（dominant direction）
2、对每个点，根据领域点的dominant direction计算一个interest value，该值表达了两个性质：
a).领域内点的dominant directions之间的差异
b).该点所处的表面的局部变化量（表面的稳定程度）
3、对interest value图进行平滑
4、非极大抑制，找到最终的interest points

PCA点云法向量估计

基于PCA的点云法向量估计，其实是从最小二乘法推导出来的。假设我们要某一点的法向量，我们需要通过利用该点的近邻点估计出一个平面，然后我们就能计算出该点的法向量。或者可以这么说，通过最小化一个目标函数（要求的参数为法向量），使得该点与其每个近邻点所构成的向量与法向量的点乘为0，也就是垂直。

二、Harris关键点

边缘是图像中亮度变化不连续或突变的地方，即梯度幅值极大值的地方，而角点狭义上是图像中边缘变化不连续或突变的部分，即边缘曲线上曲率极大值的地方，简单来说，角点就是两条边缘的交点，边缘和角点都是图像中重要的特征。
由于Harris角点检测方法具有旋转不变性、尺度不变性、光照不变性，以及它的抗干扰能力强，所以它是一种非常流行的兴趣点检测方法，该方法是由Harris和Stephens在Moravec角点检测算子的基础上与1988年提出的。

三、SIFT特征点

SIFT全称是Scale Invariant Feature Transform，尺度不变特征变换，由加拿大教授David G.Lowe提出的。SIFT特征对旋转、尺度缩放、亮度变化等保护不变性，是一种非常稳定的局部特征。

注意：这个算法已经在美国申请了专利，所以不能随意使用。

SIFT算法具有的特点：
（1）图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
（2）独特性好，信息量丰富，适用于海量特征库进行快速、准确的匹配。
（3）多量性，即使是很少几个物体也可以产生大量的SIFT特征。
（4）高速性，经优化的SIFT匹配算法甚至可以达到实时性。
（5）扩展性，可以很方便的与其他特征向量进行联合。