pcl::3D点云特征描述与提取

3D点云拓扑描述与提取是点云信息处理中最基础也是最关键的一部分，点云的识别、分割、重采样、配准、曲面重建等处理的大部分算法，都严重依赖特征描述与提取的结果。从尺度上来分，一般分为局部特征描述和全局特征描述，例如局部的法线等几何形状特征的描述，全局的拓扑特征描述，都属于3D点云特征描述与提取范畴。

3D形状特征描述子：采用一个向量描述曲面上指定点及其邻域的形状特征，通过匹配向量的值来建立不同曲面间点的对应关系，此向量即为指定点的描述子。内容描述子构造简单，辨别力强，且对噪声不敏感。

旋转图像最早是Johnson提出的特征描述子，主要用于3D场景中的曲面匹配和模型识别。通过顶点投影之间的二维直方图为某顶点的旋转图像。

在原始表示形式下，点的定义是用笛卡尔坐标系x，y，z相对于一个给定的原点来简单表示的三维映射系统的概念，假设坐标系的原点不随着时间而改变，这里有两个点p1，p2，分别在时间t1和t2捕获，有相同的坐标。对这两个点做比较其实是属于不适定问题（ill-posed problem）。因为虽然相对于一些距离测量（如：欧几里得测量）他们是相等的，但是他们取样于完全不同的表面，因此当把他们和邻近的其他环境中的点放在一起时，他们表达这完全不一样的信息，这是因为在t1和t2之间局部环境有可能发生改变。一些获取设备也许能够提供取样点的额外数据，例如强度或表面反射率等，甚至颜色，然而那并不能完全解决问题，但从两个点之间来对比仍然是不适定问题。

由于各种不同需求需要进行对比以便能够区分曲面空间的分布情况，应用软件要求更好的特征度量方式，因此作为一个单一实体的三维点概念和笛卡尔坐标系就不符合实际情况了。通过包括周围的邻域，特征描述子能够表征采样表面的几何性质，它有助于解决不适定的对比问题。理想状况下，相同或相似表面上的点的特征值将非常相似，而不同表面上的点的特征描述子将有明显的差异。

刚体变换（rigid transformations）即三维旋转和三维平移变化不会影响特征向量F估计，即特征向量具有平移旋转不变性。

改变采样密度（varying sampling density）原则上，一个局部表面小块的采样密度无论是大还是小，都应该有相同的特征向量值，即特征向量具有抗密度干扰性。

噪声（noise）数据中有轻微噪声的情况下，点特征表示在它的特征向量中必须保持相同或者投其相似的值，即特征向量对点云噪声具有鲁棒性。

一个完整的点云数据集，由setInputCloud给出，此函数必须设置，这样后续特征算子才能正常计算，任何可以进行特征描述子估计的类，为给定的输入点云中的每一个点估计一个特征向量。

点云数据集在真实物体的表面表现为一组定点样本，这样就会有两种解决方法：

1.使用曲面重建技术，从获取的点云数据集中得到采样点对应的曲面，然后从曲面模型中计算表面法线。

2.直接从点云数据集中近似推断表面法线。  

通常，没有数学方法能解决法线的正负向问题，但是如果知道视点Vp，那么这个问题的解决是非常简单的。

尺度选择的重要性：如果杯子手柄和圆柱体部分之间边缘的曲率是重要的，那么需要足够小的尺度来捕获这些细节信息，而在其他不需要细节信息的应用中可以选择大的尺度。

表面法线和曲率估计是某个点周围的几何特征基本表示法。虽然计算非常快速容易，但是无法获取太多信息，因为它们只使用很少的几个参数值来近似表示一个点的k邻域的几何特征。然而大部分场景中包含许多特征点，这些特征点有相同的或者非常相近的特征值，因此采用点特征表示法，其直接结果就减少了全局的特征信息。

PFH计算方式通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。直方图所在的高维超空间维特征表示提供了一个可度量的信息空间，对点云对应曲面的6维姿态来说它具有不变性，并且在不同的采样密度或邻域的噪声等级下具有鲁棒性。

PFH考虑估计法线方向之间所有的相互作用，试图捕获最好的样本表面变化情况，以描述样本的几何特征。

计算k邻域内的每一对点的<>四组值，这样就把两点和它们法线相关的12个参数(xyz坐标值和法线信息)减少到4个。

FPFH第一步对于每一个查询点，计算这个点和它的邻域点之间的一个。第二步，重新确定每个点的k邻域，使用临近的SPFH值来计算Pq的最终直方图。

FPFH没有对全连接Pq点的所有临近点的计算参数进行统计，因此可能漏掉一些重要的点对，而这些漏掉的点对可能对捕获查询点周围的几何特征有贡献。

PFH特征模型是在查询点周围的一个精确的邻域半径内，而FPFH还包括半径r范围以外的额外点对（不过在2r内）。

因为重新权重计算的方式，所以FPFH结合SPFH值，重新捕获邻近重要点对的几何信息；

由于大大地降低了FPFH的整体复杂性，因此FPFH有可能使用在实时应用中

通过分解三元组，简化了合成的直方图。也就是简单生成d分离特征直方图，对每个特征维度来单独绘制，并把它们连接在一起。

视点特征直方图1）扩展FPFH，使其利用整个点云对象来计算估计，在计算FPFH时以物体中心点与物体表面其他所有点之间的点对作为计算单元；

2）添加视点方向与每个点估计法线之间额外的统计信息，为了达到这个目的，我们的关键想法时在FPFH计算中讲视点方向变量直接融入相对法线角计算当中。

 

 包含以下两部分。

1）一个视点方向相关的分量

2）一个包含扩展FPFH的描述表面形状的分量。

RoPS为Rotational Projection Statistics的简写，即旋转投影统计特征。RoPS特征具有对点云旋转和平移（即姿态变化）的不变性，具有很强的鉴别力以及对噪声和数据分辨率吧变化等干扰的良好稳健性。

基于惯性矩与偏心率的描述子

该特征提取的核心思想如下：首先计算点云的协方差矩阵，然后提取特征值和特征向量，并且构造局部坐标系，以点云中心为坐标系原点 ，得到的特征向量已被归一化，并且以主特征向量（Major Eigen Vector）作为X轴，最小特征值对应的特征向量（Minor Eigen Vector）作为Z轴，剩下的特征向量作为Y轴，符合右手坐标原则。接下来进行迭代计算，每一次迭代，主特征向量即X轴按照顺序绕其他两个轴（YZ轴）旋转，实现当中具体是外循环绕Y轴0到90度，内循环绕Z轴0到360度，每次添加一定的角度（用step_变量控制），最终的X轴正方向遍历了整个Z轴负方向的半球离散方向，我们将这个旋转主向量X轴作为当前轴。对于每个当前轴，计算一个惯性矩。另外，利用当前轴也可以计算一个偏心率，具体是将当前轴正向即旋转后的X轴正向视为假设平面的法向量，然后将输入点云投影到该假设平面上。接下来，根据获取的投影就可以构造一个偏心率，其中长轴和短轴的数值是通过投影后点云的协方差矩阵得到的。这样就在每个当前轴上得到一个惯性矩和一个偏心率，迭代完成后得到两个向量来存储惯性矩和偏心率作为特征。