特征面提取相关文献阅读笔记（1）下篇

       图2.算法概述。一个有组织的点云的每一个帧都从左到右被处理。图(a)显示图的初始化，每个节点按其正常颜色显示；黑点和线显示图形节点和边缘；红色‘x’表示深度不连续、黑色‘o’表示缺失数据、红色点分别表示太大的平面拟合MSE而拒绝的节点。图(b)及图(c)显示AHC（成块分层聚类）的两项核心运作。(b)和(c)中随机颜色的区域显示图节点至少合并了一次。(c)中的黑线显示来自节点A的所有边缘，其中粗线将边缘显示给节点B，当节点A与其一个邻居合并时，给出最小平面拟合MSE。(d)中的彩色区域表示提取的粗面，如果应用程序需要，最终在(e)中对其进行细化。

       图2演示了我们的算法如何处理有组织的点云的每一帧。定义有组织点云为一组二维索引的三维点F={Pij=(Xij,Yij,Zij)T}，i=1~M，j=1~N，其中2D指数(i，j)和(i+-1,j+-1)反映了点(Pij)和(Pi+-1,Pj+-1)在同一表面上的三维邻近关系(我们称之为图像空间)。通常由Kinect传感器、飞行时间相机、结构化光扫描系统、甚至旋转激光测距仪的扫描平面等设备产生的深度图得到。

算法概述段落A——类似线段提取

       在我们的算法的细节之前，我们简单地讨论一下一种称为“线回归”的线段提取算法，如[21]中所概述的，并在“4月机器人工具包”[22]中实现。它被广泛用于从激光测距机获得的2D点序列中提取线特征，并激励我们将其思想推广到用于快速平面提取的3D情况。如图3所示，每W个序列点(该图中的W＝3)被分组到NODES1中，形成双链表。然后，重复以下两步(1)找出具有最小线拟合MSE的节点G和(2)将该节点G与给出最小合并MSE的左或右邻居合并，即完成在该链表上执行AHC。如果最小合并MSE大于预定阈值，其通常可由传感器的噪声特性决定，则取消合并，并且节点G可以被提取为线段。当使用二进制堆寻找最小MSE节点时，可以为该算法实现对数线性时间复杂度o(nlogn)，其中n是序列中的点数。注意，通过应用在[11]、[23]中使用的积分图像的思想，合并两个节点并且计算得到的线拟合MSE变为恒定的时间操作。

Bracket支架悬臂、thick粗、merging混合的

算法概述段落B——推广到3D时的差异

不重叠节点：与直线回归相反，初始节点(因此，合并期间/合并后的任何两个节点)不应该有相同的点，即对于任何两个节点BS；BT F，BS\BT=？这是因为经过几个合并步骤后，属于某个节点B的三维点将形成不规则形状，而不是在图像空间中保持其初始矩形形状，如图2(B)所示。因此，如果允许不同的节点具有相同的点，即使借助积分图像，在合并两个节点时也很难有效地处理重叠点。而在线性回归中，合并两个相邻的线段仍然会在点序列中产生一个以起始和结束索引表示的线段，这使得重叠节点是可行的。必须注意的是，重叠节点使线性回归算法能够在其边界上自动分割线段；因为在不同线段包含点的节点往往比其他节点具有更大的直线拟合MSE(例如，图3中的节点c、d和h)，它们的合并尝试将被延迟并最终被拒绝。在我们的算法中，不重叠的要求导致了自动检测平面边界的优势。我们将描述如何通过删除第三-A节初始化步骤中的坏节点来克服缺点。我们还将在第四节中描述一种像素级区域增长算法来细化平面的边界。

合并尝试数：在线性回归中，将节点与其邻居合并是一个恒定的时间操作，最多两次合并尝试，向左或向右。在我们的例子中，合并尝试的次数更多，因为节点最初最多连接到4个邻居以形成一个图，并且经过几个合并步骤之后，它们可以连接到更多的邻居。在第三-B节中，我们将对算法中的平均合并次数进行实验分析，结果表明在实际中合并次数很少，因此可以在一定的时间内完成合并步骤，从而使O(N Logn)的复杂度类似于线性回归。

 

正文——快速粗糙分割

       我们的快速平面提取算法由三个主要步骤组成，如图2和算法1所示：该算法首先初始化一个图，然后执行AHC提取粗面，最后对粗面进行细化。如果应用程序只需要对平面区域进行粗分割，例如在点云中检测对象，则可以跳过最后的细化步骤，这将使640 480点的帧速率提高到50 Hz以上。F表示M行和N列的有组织点云的完整框架。B；C分别表示粗分割和精化分割，即B/C的每个元素BK/Cl是一个分段-一组3D点pi；j。同时，0分别是对应于B；C的平面方程组。还请注意，图G的每个节点v是一组3D点，每个无向边缘uv表示图像空间中的分段u；v的邻域。