阅读笔记Learning Informative Point Classes for the Acquisition of Object Model Maps及Aligning Point......

这是论文Learning Informative Point Classes for the Acquisition of Object Model Maps及Aligning Point Cloud Views using Persistent Feature Histograms的阅读笔记。

里面一定有错误和不当之处，还希望不吝赐教。
1、 特征空间的分辨力应该足够强，使得在同一表面下的点被分到同一类，不同表面下的点被分到不同类。

2、 需要特征空间对3D旋转和平移保持不变性，同时对点云密度和一定程度下的噪声不敏感。

3、 符号介绍：

• Pik是点集pj，其位于查询点pi的k邻域内；
• Fi是点pi的特征直方图，是一个多值数组，每一位都包含来自Pik中有特定组合的特征值点对的百分比。

4、 点特征直方图（PFH）计算步骤：

• 对点云P中每个点pi，如果其法线ni不存在：给定一个半径ra，选择pi的所有Pka邻域，对最小均方误差Pka表面进行主成分分析（PCA）估计法线ni，取具有最小特征值对应的特征向量，并使用视点信息v对法线重定向，确保法线方向指向视点方向。即
  
• 对P中每个点，设定一个更大的半径rb，选择pi的所有邻域点Pkb；（值ra应当足够大以平衡噪声的影响，但足够小以保护法线计算；rb应当足够大取捕捉形状信息，但足够小以避免包含太多表面）；
• 对Pkb中每一点对pj1、pj2及它们的估计法线方向nj1、nj2，选择一个源点ps及一个目标点pt，其中源点是这样一个点，其法线与点点之间连线的夹角更小，即
  
  
  同时如下的局部坐标系：u=ns，v=(pt-ps) u/||pt-ps||,w=uv
• 根据ps、pt、ns、nt，计算4个特征，测量法线之间角度差异以及这两点之间的距离矢量，并将这些值划分到直方图中：至于为什么要选取这样4个特征，还需要认真理解一下才行。
  
  
  
  其中[]为取整操作，可以看到其取值只能是0或1，d为特征值的最大理论范围（fimax-fimin），对f0、f2其值为2，f3其值为，idx是直方图位的索引。
  
  

其中step(si,fi)为0(f小于s)或1，对特征f0，f2，f3可以定义s为0，对特征f1可以定义s为r及邻域半径。直方图位数可以定义为 div^4
div为特征值范围子区间个数，这里讲特征值分为两个部分（fi比si大或小），因此四个特征一共有2^4 =16 个组合。同时子区间数目的增加将导致计算复杂度呈指数级增长（3^4=81）。对每一位使用点对总数目(k(K+1)/2)进行归一化以达到对点密度不变的效果。