点云深蓝学院第一章（中）

核PCA的核心思想就是我们可以把高维空间的运算转化成低维空间的一个核函数，这个思想叫做Kernel track。也就是说我们在学习SVM支持向量机的时候，也会经常的用到这个核的方法。

 应用1：如何去找点云里边每一个点的法向量。

法向量就是如果 我用一个曲面去拟合了数据，那么曲面上任何一个点我都可以找到一个切平面，这个平面的法向量就是我们想要的法向量。

法向量的应用：

平面检测。 （在自动驾驶中，地面的点都是法向量向上的，那么我们只需要找到法向量朝上的点就是地面）  

通过法向量的朝向把圆柱体分成顶部，底部和身体侧面。

如何去找法向量？找法向量是PCA的应用，PCA我们原来是找这个点云的最主要的向量，那么法向量相反，是找的是最没用的向量，也就是说这个向量上面点投影上去基本上都是0。

求一个点的法向量，需要先选取一个点，只有一个点他的法向量可以是360度任意一个方向，所以为了找到这个点的法向量我们需要定义一个领域平面。定义完邻域之后对这个邻域内的点做一个PCA，这个时候我们需要选取的这个法向量其实是最不显著的向量，对应于最小的特征值的特征向量，然后我们可以得到一个曲率，这个曲率就是最小特征值除以所有特征值之和。

有一堆点，这些点拟合平面，c点(其实c就是这堆点的中心)的法向量是n，n垂直与平面，这个法向量n的特征就是我把所有的点都投影到这个法向量上边去，他都等于中间的绿色的点，也就是都是0，但是现实生活中不可能有这么完美的平面，所以我们只能是求这个投影的和最小化。

证明部分见课件。（正规化都减去中心点）小写表示向量，大写表示矩阵。

带权重的法向量。

可以使用颜色的相似度或者法向量的相似度去做这个权重。

也可以使用深度学习去做法向量的估计。现在不管是学术界还是工业界都有一个的趋势就是凡是我们不知道怎么去做的问题就丢给神经网络。因为神经网络的确是比较强大，只要我们能把问题写成某种优化的形式 神经网络就能够给出某一些合理的结果。 （比如说在法向量估计里边，我们会遇到一些问题，比如说有一些噪声，我们也不知道怎么去选取一个点的邻域有多大，包含有多少个点，这些问题很难，那么就交给深度学习去处理吧）

-----------------------------------Filters--------------------------------------

见链接：https://blog.csdn.net/m0_37957160/article/details/115558770

----------------------------------作业习题------------------------------------------------