#读PCL源码#关键点检测

keypoint的类：

有这么多种keypoint

susan keypoint :需要intensity, normal

主要的方法和函数在susan.hpp

有openMP接口

 \brief SUSANKeypoint implements a RGB-D extension of the SUSAN detector inluding normal 

    * directions variation in top of intensity variation. 

    * It is different from Harris in that it exploits normals directly so it is faster.  

    * Original paper "SUSAN — A New Approach to Low Level Image Processing", Smith,

    * Stephen M. and Brady, J. Michael 

traijkovic keypoint 3d:需要normal（normal的求法是用的积分图，所以应该需要有序点云）

有openMP接口

** \brief TrajkovicKeypoint3D implements Trajkovic and Hedley corner detector on

    * point cloud using geometric information.

    * It uses first order statistics to find variation of normals.

    * This work is part of Nizar Sallem PhD thesis.

traijkovic keypoint 2d:需要intensity，也需要有序点云

** \brief TrajkovicKeypoint2D implements Trajkovic and Hedley corner detector on

    * organized pooint cloud using intensity information.

    * It uses first order statistics to find variation of intensities in horizontal

    * or vertical directions.

有openMP接口

iss-3d keypoint:

 \brief ISSKeypoint3D detects the Intrinsic Shape Signatures keypoints for a given

    * point cloud. This class is based on a particular implementation made by Federico

    * Tombari and Samuele Salti and it has been explicitly adapted to PCL.

    *

    * For more information about the original ISS detector, see:

    *

    *\par

    * Yu Zhong, “Intrinsic shape signatures: A shape descriptor for 3D object recognition,”

    * Computer Vision Workshops (ICCV Workshops), 2009 IEEE 12th International Conference on ,

    * vol., no., pp.689-696, Sept. 27 2009-Oct. 4 2009

有示例程序

pcl::ISSKeypoint3D<pcl::PointXYZRGBA, pcl::PointXYZRGBA> iss_detector;

需要XYZRGBA点云

* Code example:

    *

    * \code

    * pcl::PointCloud<pcl::PointXYZRGBA>::Ptr model (new pcl::PointCloud<pcl::PointXYZRGBA> ());;

    * pcl::PointCloud<pcl::PointXYZRGBA>::Ptr model_keypoints (new pcl::PointCloud<pcl::PointXYZRGBA> ());

    * pcl::search::KdTree<pcl::PointXYZRGBA>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZRGBA> ());

    *

    * // Fill in the model cloud

    *

    * double model_resolution;

    *

    * // Compute model_resolution

    *

    * pcl::ISSKeypoint3D<pcl::PointXYZRGBA, pcl::PointXYZRGBA> iss_detector;

    *

    * iss_detector.setSearchMethod (tree);

    * iss_detector.setSalientRadius (6 * model_resolution);

    * iss_detector.setNonMaxRadius (4 * model_resolution);

    * iss_detector.setThreshold21 (0.975);

    * iss_detector.setThreshold32 (0.975);

    * iss_detector.setMinNeighbors (5);

    * iss_detector.setNumberOfThreads (4);

    * iss_detector.setInputCloud (model);

    * iss_detector.compute (*model_keypoints);

    * \endcode

有序和无序点云都行

agast keypoint： 

** \brief Abstract detector class for AGAST corner point detectors.

        *        

        * Adapted from the C++ implementation of Elmar Mair 

        * (http://www6.in.tum.de/Main/ResearchAgast).

PointUV 类型的点

还需要是有序点云

brisk_2d keypoint:

 /** \brief Detects BRISK interest points based on the original code and paper

    * reference by

    * 

    * \par

    * Stefan Leutenegger,Margarita Chli and Roland Siegwart, 

    * BRISK: Binary Robust Invariant Scalable Keypoints, 

    * in Proceedings of the IEEE International Conference on Computer Vision (ICCV2011).

    *

    * Code example:

    *

    * \code

    * pcl::PointCloud<pcl::PointXYZRGBA> cloud;

    * pcl::BriskKeypoint2D<pcl::PointXYZRGBA> brisk;

    * brisk.setThreshold (60);

    * brisk.setOctaves (4);

    * brisk.setInputCloud (cloud);

    *

    * PointCloud<pcl::PointWithScale> keypoints;

    * brisk.compute (keypoints);

    * \endcode

    *

还是需要XYZRGBA点云，还需要有序

Harris_2d keypoint: 

有序点云，但没有感觉到对点其他格式有要求

Harris_3d keypoint:

是否有序都OK 点云格式没有要求

只是需要先求法向量

除了harris的方法，还有lowe, nobel, curvature等方法

* \brief HarrisKeypoint3D uses the idea of 2D Harris keypoints, but instead of using image gradients, it uses

    * surface normals.

试验：

Harris_6d keypoint:

\brief Keypoint detector for detecting corners in 3D (XYZ), 2D (intensity) AND mixed versions of these.

    * \author Suat Gedikli

    * \ingroup keypoints

需要XYZI点云，有序和无序都可以

IntensityGradientEstimation

narf_keypoint:

* \brief @b NARF (Normal Aligned Radial Feature) keypoints. Input is a range image,

  *           output the indices of the keypoints

  * See B. Steder, R. B. Rusu, K. Konolige, and W. Burgard

  *     Point Feature Extraction on 3D Range Scans Taking into Account Object Boundaries

  *     In Proc. of the IEEE Int. Conf. on Robotics &Automation (ICRA). 2011. 

  * \author Bastian Steder

针对深度图 这个可以试验

sift_keypoint: 

* \brief @b SIFTKeypoint detects the Scale Invariant Feature Transform

    * keypoints for a given point cloud dataset containing points and intensity.

    * This implementation adapts the original algorithm from images to point

    * clouds. 

    *

smoothed_surfaces_keypoint:

流程都是：

initCompute   ----> detectKeypoints

pcl_example_get_keypoints_indices_release.exe

用的是harris检测

但是这个需要注意的是Harris3D输出的角点是包含I信息的

而且例程中没有setRadius的话，是很难得到keypoints的

整体来说，这个检测不是很好，也没觉得检测出来的是多么有关键的点

可能包含normals之后会更好

pcl_example_sift_keypoint_estimation_release.exe

XYZRGB点云

---

pcl_example_sift_normal_keypoint_estimation_release.exe

这个可以用XYZ的点云，利用估计的normal gradient，而不是intensity gradient

求取法向量真的很关键，而且需要各种调参

---

pcl_example_sift_z_keypoint_estimation_release.exe

/* This examples shows how to estimate the SIFT points based on the 

 * z gradient of the 3D points than using the Intensity gradient as

 * usually used for SIFT keypoint estimation.

 */

总体感觉sift特征点意义不可控