阅读笔记Surflet-Pair-Relation Histograms: A Statistical 3D-Shape Representation for Rapid Classification

摘要：文章对3维形状基于一种4维特征介绍了一种统计表示的方法。文章将特征压缩为直方图进行表示。识别阶段与存储的直方图进行比较。通过6个不同的准则对匹配质量进行评价。

点特征直方图

文章也对点特征直方图进行了介绍，确定完局部坐标系后，计算下列四个特征：

即目标点法线在局部坐标系两坐标轴上投影并计算，目标点法线在局部坐标系v轴上投影，源点法线在两点云数据连线上的投影，两点云数据间欧氏距离。第一个和第二个代表n2的方位角及俯仰角的cos值，第三个和第四个代表从源点到目标点的方向和距离。对第四个特征进行归一化。并做了如下定义：

4维特征分布使用一个直方图进行表示，每个特征S都放到直方图H(i)中的某一位。

d是直方图位数。这里取d=5^4=625。

论文介绍的直方图相似性评价准则

Ho是数据库中的直方图

1. 将每个直方图中较小值对应求和，只需进行加法运算；
   
2. 欧氏距离对噪声敏感。
3. 
   
4. 
   
5. ，相对熵的合成形式，相对熵（Kullback-Leibler Divergence）也叫交叉熵，对两个完全相同的函数，他们的相对熵为零；相对熵越大，两个函数差异越大。作者使用该距离测度获得了较好的实验结果，但花费时间较长。
6. 极大似然分类器，，效果好，速度快。

总结

1. Kullback-Leibler 和极大似然标准获得了较好地识别结果。在理想情况下获得了近乎完美的实验结果，在有噪声和遮挡的情况下获得了鲁棒性的结果。而且与网格表面分辨率不相关。
   
2. More specifically, the experiments clearly indicate that, for best performance, high noise during recognition should be reduced by spatial averaging, at the cost of a lower mesh resolution. 当噪声较强时应当使用空间平滑的方法降低噪声的影响，但同时降低了分辨率。
3. 特征对目标姿态具有不变性。但对机器人应用来说需要对目标姿态保持敏感。对未来的研究，因此可能是对一个场景中可能出现多个目标的情况对其进行定位，这可能包含一个对目标进行分割的步骤。