三维重建11：点云的全局特征和局部特征

全局特征

         点云的检测和分类一般使用全局特征，传统的检测方法严重依赖于点云的场景分割，所幸的是点云的分割一般情况下比二维灰度图像和彩色图像更容易进行。基于分割方法的好处是，一旦目标被正确分割，点云分类即可以转换为较为简单的有遮挡或无遮挡的点云（位姿）识别。此时的分类，即点云识别可以使用Alignment的方法，也可以使用位姿识别方法。

         较为流行的检测方法使用了CNN，不加分割的CNN方法有二维CNN方法的一般特性，可以使用图像Map的形式，也可以直接使用点云方式，直接使用点云方式进行CNN处理是暂时的一个难点。

          PCL库给出了大量的三维全局特征，经典特征有VFH、CVFH、RSD、ESF等.

      参考文章：R. B. Rusu and S. Cousins, “3D is here: Point Cloud Library (PCL)”,in Proc. IEEE ICRA 2011, Shanghai,China, May 9–13, 2011, pp. 1–4。下载地址：https://www.researchgate.net/publication/221068443_3D_is_here_Point_cloud_library_PCL

         其中使用的3dvs特征的表征性能，得到了理论上的证明，ESF特征就是3Dvs的特征的集合体。此外，SHOT特征计算量稍大，同时描述性比较强。

 

局部特征

        局部特征的提取依赖于点云数据的存储格式，二维图像的存储格式为二维阵列，而三维图像的存储格式一般为8叉树，三维阵列存储占据数据空间太大。

        在噪点较多的情况下，点云局部特征可信度较低。局部特征典型实例为3D-SURF，把局部点云块从八叉树解析到三维点阵，并根据SURF特征的原理，获得检测点并提取局部显著特征。