本文详细介绍了三维点云处理中的特征点提取方法，包括Harris 2D和3D检测、PCA分析以及Intrinsic Shape Signatures(ISS)算法。通过这些方法，可以有效地识别和定位点云中的关键点，适用于计算机视觉和自动驾驶等领域。
1. Harris 2D
对于图像而言，若某点的像素值相对于其邻域内点的像素值变化较大，则认为该点属于一个关键点，而量化描述该关键点是由其对应的描述子来实现的。因此，可通过滑动窗口来描述关键点的检测，如下所示：
E ( u , v ) = ∑ x , y ∈ Ω [ I ( x + u , y + v ) − I ( x , y ) ] 2 E(u,v) = \sum_{x,y \in \Omega}[I(x+u,y+v)-I(x,y)]^2 E(u,v)=x,y∈Ω∑[I(x+u,y+v)−I(x,y)]2
经泰勒展开如下：
I ( x + u , y + v ) = I ( x , y ) + u ∂ I ∂ x + v ∂ I ∂ y = I ( x , y ) + u I x + v I y I x 为图像 I 对像素点 ( x , y ) 在 x 方向的一阶导 I y 为图像 I 对像素点 ( x , y ) 在 y 方向的一阶导 I(x+u,y+v) = I(x,y) + u\frac{\partial I}{\partial x} + v\frac{\partial I}{\partial y} = I(x,y)+uI_x+vI_y \\ I_x为图像I对像素点(x,y)在x方向的一阶导 \\ I_y为图像I对像素点(x,y)在y方向的一阶导 I(x+u,y+v)=I(x,y)+u∂x∂I+v∂y∂I=I(x,y)+uIx+vIyIx为图像I对像素点(x,y)在x方向的一阶导Iy为图像I对像素点(x,y)在y方向的一阶导
进一步地，有：
E ( u , v ) = ∑ x , y ∈ Ω [ I ( x , y ) + u I x + v I y − I ( x , y ) ] 2 = ∑ x , y ∈ Ω [ u I x + v I y ] 2 = ∑ x , y ∈ Ω u 2 I x 2 + 2 u v I x I y + v 2 I y 2 = ∑ x , y ∈ Ω [ u v ] [ I x 2 I x I y I x I y I y 2 ] [ u v ] 记中间的协方差矩阵 M = ∑ x , y ∈ Ω [ I x 2 I x I y I x I y I y 2 ] E(u,v) = \sum_{x,y \in \Omega}[I(x,y)+uI_x+vI_y-I(x,y)]^2 = \sum_{x,y \in \Omega} [uI_x+vI_y]^2 \\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ = \sum_{x,y \in \Omega}u^2I_x^2 + 2uvI_xI_y + v^2I_y^2 = \sum_{x,y \in \Omega} \left[ \begin{array}{cc} u & v \end{array}\right] \left[ \begin{array}{cc} I_x^2 & I_xI_y \\ I_xI_y & I_y^2 \end{array}\right]\left[ \begin{array}{cc} u \\ v \end{array}\right] \\ 记中间的协方差矩阵M = \sum_{x,y \in \Omega} \left[ \begin{array}{cc} I_x^2 & I_xI_y \\ I_xI_y & I_y^2 \end{array}\right] E(u,v)=x,y∈Ω∑[I(x,y)+uI
最低0.47元/天 解锁文章
444
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
