7.features特征

最新推荐文章于 2023-06-27 09:26:31 发布
最新推荐文章于 2023-06-27 09:26:31 发布
阅读量503 收藏 1
点赞数 1
分类专栏： PCL学习笔记 文章标签： 算法 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57747965/article/details/126292661
版权

3d特征点概述1

3d特征点概述2

各特征描述详见以上大佬博客。

3D点云特征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

  • 局部特征的描述
    • 局部的法线等几何形状特征的描述
  • 全局特征的描述
    • 全局的拓朴特征的描述

原理：

        在原始表示形式下，点的定义是用笛卡尔坐标系坐标 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，假定坐标系的原点不随着时间而改变，这里有两个点p1和p2分别在时间t1和t2捕获，有着相同的坐标，对这两个点作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度它们是相等的，但是它们取样于完全不同的表面，因此当把它们和临近的其他环境中点放在一起时，它们表达着完全不同的信息，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，单从两个点之间来   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被淘汰了，出现了一个新的概念取而代之：局部描述子（locl descriptor）。
文献中对这一概念的描述有许多种不同的命名，如：形状描述子（shape descriptors）或几何特征（geometric features）,文本中剩余部分都统称为点特征表示。通过包括周围的领域，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，理想情况下相同或相似表面上的点的特征值将非常相似（相对特定度量准则），而不同表面上的点的特征描述子将有明显差异。下面几个条件，通过能否获得相同的局部表面特征值，可以判定点特征表示方式的优劣：
（1）刚体变换-----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。
（2）改变采样密度-----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。
（3）噪声---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极其相似的值，即特征向量对点云噪声具有稳定性。
通常，PCL中特征向量利用快速kd-tree查询 ，使用近似法来计算查询点的最近邻元素，通常有两种查询类型：K邻域查询，半径搜索两种方法

1.法向量估计与快速点特征直方图(FPFH)描述子

法向量估计：

//打开点云代码
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile ("../table_scene_lms400.pcd", *cloud);

//创建法线估计估计向量
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
//创建一个空的KdTree对象，并把它传递给法线估计向量
//基于给出的输入数据集，KdTree将被建立
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
ne.setSearchMethod(tree);
//存储输出数据
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals (new pcl::PointCloud<pcl::Normal>);
//使用半径在查询点周围3厘米范围内的所有临近元素
ne.setRadiusSearch(0.03);
//计算特征值
ne.compute(*cloud_normals);

 法向量估计后计算fpfh：

#pragma once
#include<pcl/io/pcd_io.h>
#include<pcl/visualization/pcl_visualizer.h>
#include<pcl/point_types.h>
#include<pcl/features/fpfh.h>
#include<pcl/filters/voxel_grid.h>
#include<pcl/features/normal_3d.h>
#include<pcl/features/normal_3d_omp.h>
#include<pcl/search/kdtree.h>
#include<pcl/features/fpfh.h>
#include<pcl/visualization/pcl_visualizer.h>

using PointT = pcl::PointCloud<pcl::PointXYZ>;
using PointN = pcl::PointCloud<pcl::PointNormal>;
using Normal = pcl::PointCloud<pcl::Normal>;

void test_demo()
{
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointCloud<pcl::PointXYZ>::Ptr voxeled_cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::io::loadPCDFile("rabbit.pcd", *cloud);
	//下采样
	pcl::VoxelGrid<pcl::PointXYZ> voxel;
	voxel.setInputCloud(cloud);
	voxel.setLeafSize(0.1f, 0.1f,0.1f);
	
	voxel.filter(*voxeled_cloud);

	//法向量
	pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::PointNormal>ne;
	ne.setNumberOfThreads(4);
	ne.setInputCloud(voxeled_cloud);
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree;
	ne.setSearchMethod(tree);
	ne.setRadiusSearch(0.5f);
	PointN::Ptr normal_cloud(new PointN);
	ne.compute(*normal_cloud);

	//显示法向量
	for (int i = 0; i < normal_cloud->size(); ++i)
	{
		normal_cloud->points[i].x = voxeled_cloud->points[i].x;
		normal_cloud->points[i].y = voxeled_cloud->points[i].y;
		normal_cloud->points[i].z = voxeled_cloud->points[i].z;


	}
	pcl::visualization::PCLVisualizer viewer;
	viewer.setBackgroundColor(0, 0, 0);
	
	viewer.addPointCloud(voxeled_cloud,"voxel_cloud");
	int level = 1; // 多少条法向量集合显示成一条
	float scale = 0.05; // 法向量长度
	viewer.addPointCloudNormals<pcl::PointNormal>(normal_cloud, level, scale, "normals");
	//显示原点云
	viewer.addPointCloud<pcl::PointXYZ>(cloud, "cloud");

	pcl::visualization::PointCloudColorHandlerCustom<pcl::PointNormal> color_handler(normal_cloud, 255, 0, 0);
	//fpfh特征直方图
	pcl::FPFHEstimation<pcl::PointXYZ, pcl::PointNormal, pcl::FPFHSignature33>fpfh;
	fpfh.setInputCloud(voxeled_cloud);
	//fpfh.setSearchSurface(cloud);
	fpfh.setInputNormals(normal_cloud);
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree1(new pcl::search::KdTree<pcl::PointXYZ>);
	fpfh.setSearchMethod(tree1);
	pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfh_cloud(new(pcl::PointCloud<pcl::FPFHSignature33>));
	fpfh.setRadiusSearch(0.05f);
	//检查法向量
	for (int i = 0; i < normal_cloud->size(); i++)
	{
		if (!pcl::isFinite<pcl::PointNormal>((*normal_cloud)[i]))
		{
			PCL_WARN("normals[%d] is not finite\n", i);
		}
	}
	fpfh.compute(*fpfh_cloud);

	viewer.spin();
	system("pause");


}



2.点特征直方图（PFH）描述子

正如点特征表示法所示，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，但是无法获得太多信息，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。

那么三维特征描述子中一位成员：点特征直方图(Point Feature Histograms)，我们简称为PFH，从PCL实现的角度讨论其实施细节。PFH特征不仅与坐标轴三维数据有关，同时还与表面法线有关。

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为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音等级下具有鲁棒性。

点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它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。因此，合成特征超空间取决于每个点的表面法线估计的质量。

如图所示，表示的是一个查询点(Pq) 的PFH计算的影响区域，Pq 用红色标注并放在圆球的中间位置，半径为r， (Pq)的所有k邻元素（即与点Pq的距离小于半径r的所有点）全部互相连接在一个网络中。最终的PFH描述子通过计算邻域内所有两点之间关系而得到的直方图，因此存在一个O(k) 的计算复杂性。

      

为了计算两点Pi和Pj及与它们对应的法线Ni和Nj之间的相对偏差，在其中的一个点上定义一个固定的局部坐标系，如图2所示。

               

使用上图中uvw坐标系，法线 和 之间的偏差可以用一组角度来表示，如下所示：

  估计PFH特征

点特征直方图（PFH）在PCL中的实现是pcl_features模块的一部分。默认PFH的实现使用5个区间分类（例如：四个特征值中的每个都使用5个区间来统计），

以下代码段将对输入数据集中的所有点估计其对应的PFH特征。

computePointPFHSignature (const pcl::PointCloud<PointInT> &cloud,
                          const pcl::PointCloud<PointNT> &normals,
                          const std::vector<int> &indices,
                          int nr_split,
                          Eigen::VectorXf &pfh_histogram);

3.SHOT

主要代码

typedef pcl::PointXYZ PointT;
typedef pcl::Normal PointNT;
typedef pcl::SHOT352 FeatureT;
pcl::SHOTEstimation<pcl::PointXYZ, pcl::Normal, pcl::SHOT352> shot;
	shot.setRadiusSearch(18 * resolution);
	shot.setInputCloud(keys);
	shot.setSearchSurface(cloud);
	shot.setInputNormals(cloud_normal);
	//shot.setInputReferenceFrames(lrf);  //也可以自己传入局部坐标系
	pcl::PointCloud<FeatureT>::Ptr features(new pcl::PointCloud<FeatureT>);
	shot.compute(*features);

4.ROPS

由于RoPS是基于网格数据，所以如果输入的是点云数据需要先进行网格化处理。

主要代码

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::io::loadPCDFile(argv[1], *cloud);
	
	// 加载关键点
	pcl::PointCloud<pcl::PointXYZ>::Ptr key_points(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::io::loadPCDFile(argv[2], *key_points);
	// 计算法向量
	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
	tree->setInputCloud(cloud);
	n.setInputCloud(cloud);
	n.setSearchMethod(tree);
	n.setKSearch(20);
	n.compute(*normals);
	// 连接数据
	pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
	pcl::concatenateFields(*cloud, *normals, *cloud_with_normals);
	//* cloud_with_normals = cloud + normals
	// ---- rops基于网格，所以要先将pcd点云数据重建网格 ---
	// Create search tree*
	pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
	tree2->setInputCloud(cloud_with_normals);
	
	pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;// Initialize objects
	pcl::PolygonMesh triangles;
	// Set the maximum distance between connected points (maximum edge length)
	gp3.setSearchRadius(0.025);
	gp3.setMu(2.5); // Set typical values for the parameters
	gp3.setMaximumNearestNeighbors(100);
	gp3.setMaximumSurfaceAngle(M_PI / 4); // 45 degrees
	gp3.setMinimumAngle(M_PI / 18); // 10 degrees
	gp3.setMaximumAngle(2 * M_PI / 3); // 120 degrees
	gp3.setNormalConsistency(false);
	gp3.setInputCloud(cloud_with_normals);
	gp3.setSearchMethod(tree2);
	gp3.reconstruct(triangles);	// Get result
	
	// ----- rops 描述-------
	// 由于pcl_1.8.0中rops还没有定义好的结构，所以采用pcl::Histogram存储描述子
	pcl::ROPSEstimation<pcl::PointXYZ, pcl::Histogram<135>> rops;
	rops.setInputCloud(key_points);
	rops.setSearchSurface(cloud);
	rops.setNumberOfPartitionBins(5);
	rops.setNumberOfRotations(3);
	rops.setRadiusSearch(0.01);
	rops.setSupportRadius(0.01);
	rops.setTriangles(triangles.polygons);
	rops.setSearchMethod(pcl::search::KdTree<pcl::PointXYZ>::Ptr(new pcl::search::KdTree < pcl::PointXYZ>));
	//feature size = number_of_rotations * number_of_axis_to_rotate_around * number_of_projections * number_of_central_moments
	//unsigned int feature_size = number_of_rotations_ * 3 * 3 * 5; //计算出135
	pcl::PointCloud<pcl::Histogram<135>> description;
	rops.compute(description);  // 结果计算的是描述子。。需传入inputcloud和surface
	std::cout << "size is " << description.points.size()<<std::endl;pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::io::loadPCDFile(argv[1], *cloud);
	
	// 加载关键点
	pcl::PointCloud<pcl::PointXYZ>::Ptr key_points(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::io::loadPCDFile(argv[2], *key_points);
	// 计算法向量
	pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;
	pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
	pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
	tree->setInputCloud(cloud);
	n.setInputCloud(cloud);
	n.setSearchMethod(tree);
	n.setKSearch(20);
	n.compute(*normals);
	// 连接数据
	pcl::PointCloud<pcl::PointNormal>::Ptr cloud_with_normals(new pcl::PointCloud<pcl::PointNormal>);
	pcl::concatenateFields(*cloud, *normals, *cloud_with_normals);
	//* cloud_with_normals = cloud + normals
	// ---- rops基于网格，所以要先将pcd点云数据重建网格 ---
	// Create search tree*
	pcl::search::KdTree<pcl::PointNormal>::Ptr tree2(new pcl::search::KdTree<pcl::PointNormal>);
	tree2->setInputCloud(cloud_with_normals);
	
	pcl::GreedyProjectionTriangulation<pcl::PointNormal> gp3;// Initialize objects
	pcl::PolygonMesh triangles;
	// Set the maximum distance between connected points (maximum edge length)
	gp3.setSearchRadius(0.025);
	gp3.setMu(2.5); // Set typical values for the parameters
	gp3.setMaximumNearestNeighbors(100);
	gp3.setMaximumSurfaceAngle(M_PI / 4); // 45 degrees
	gp3.setMinimumAngle(M_PI / 18); // 10 degrees
	gp3.setMaximumAngle(2 * M_PI / 3); // 120 degrees
	gp3.setNormalConsistency(false);
	gp3.setInputCloud(cloud_with_normals);
	gp3.setSearchMethod(tree2);
	gp3.reconstruct(triangles);	// Get result
	
	// ----- rops 描述-------
	// 由于pcl_1.8.0中rops还没有定义好的结构，所以采用pcl::Histogram存储描述子
	pcl::ROPSEstimation<pcl::PointXYZ, pcl::Histogram<135>> rops;
	rops.setInputCloud(key_points);
	rops.setSearchSurface(cloud);
	rops.setNumberOfPartitionBins(5);
	rops.setNumberOfRotations(3);
	rops.setRadiusSearch(0.01);
	rops.setSupportRadius(0.01);
	rops.setTriangles(triangles.polygons);
	rops.setSearchMethod(pcl::search::KdTree<pcl::PointXYZ>::Ptr(new pcl::search::KdTree < pcl::PointXYZ>));
	//feature size = number_of_rotations * number_of_axis_to_rotate_around * number_of_projections * number_of_central_moments
	//unsigned int feature_size = number_of_rotations_ * 3 * 3 * 5; //计算出135
	pcl::PointCloud<pcl::Histogram<135>> description;
	rops.compute(description);  // 结果计算的是描述子。。需传入inputcloud和surface
	std::cout << "size is " << description.points.size()<<std::endl;













 

Callmegodyu、
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
PCL SHOT352描述子
点云侠的博客
08-22 39万+
SHOT352描述子
【C++PCL】点云处理RoPS描述符
最新发布
weixin_45196569的博客
05-06 47
计算RoPS关键点，根据支持半径裁剪局部表面，因此只考虑位于内部的点和三角形，然后，计算局部参考帧(LRF)，赋予描述符旋转不变性。创建一个坐标系，以该点为原点，轴与LRF对齐。然后，对于每个轴，执行几个步骤。首先，局部曲面围绕当前轴旋转。角度由其中一个参数决定，该参数设置旋转的次数。然后，将局部曲面中的所有点投影到XY、XZ和YZ平面上。对于每一个，计算关于投影点分布的统计信息，并连接以形成最终的描述符。详细步骤如下：解释一：有了一个网格和一组必须计算特征的点，执行一些简单的步骤。
点云特征描述子概述、PFH描述子提取
weixin_45824067的博客
06-27 1080
PFH和FPFH是一类常用的点云特征描述子。它们通过计算点与其邻域内其他点之间的相对位置和法线之间的关系构建直方图描述子。它通过将点云表面分割为小的网格单元，并计算每个单元中的法线直方图，从而提取特征。它通过将点云投影到三维直方图中，并统计点云在不同区域的分布情况来构建描述子。它将点云投影到多个不同的视点上，并统计每个视点上的投影信息，如高度、密度和曲率等。它计算点云中每个点与其他点之间的相对位置和法线之间的关系，并构建直方图描述子。它通过计算点云的惯性矩和偏心率等几何属性，来表征点云的形状特征。
PCL点云处理之Rops特征描述子计算 （一百五十八）
weixin_44329757的博客
05-13 282
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，具备很强的鉴别力以及对噪声和数据分辨率变化等干扰的良好稳健性。该特征目前已成功应用于三维目标识别、三维模型重建以及三维人脸识别等场景，均获得了优异的性能。此外，在多个数据集下的测试结果表明，其性能优于多个现有特征。其中，代码中涉及的众多参数，需要根据自己的点云数据进行相应的调整。
PCL中的区域生长分割(region growing segmentation)
热门推荐
aishuirenjia的博客
05-08 1万+
在本博文中，我主要介绍如何在pcl::RegionGrowing类中调用区域增长算法。首先注意一点，这里是region growing segmentation，不是color-based region growing segmentation.算法核心：该算法是基于点法线之间角度的比较，企图将满足平滑约束的相邻点合并在一起，以一簇点集的形式输出。每簇点集被认为是属于相同平面。工作原理：首先需要明...
Identify_Features.rar_features
09-24
标题“Identify_Features.rar_features”暗示我们正在讨论与地理信息系统（GIS）或地图数据相关的功能，特别是关于识别和突出显示地图上的特定特征。描述提到“双击显示对象的属性”，这表明系统允许用户通过交互...
lbp_MATLAB.zip_LBP matlab_LBP特征_image features_middleal7_previou
07-13
LBP纹理特征用于图像特征分类，程序经测试能够实现效果
read_image_create_SVM_features.rar_SVM特征提取_mixturelfp
09-24
"read_image_create_SVM_features.rar_SVM特征提取_mixturelfp"这个压缩包文件很可能包含了关于如何从图像数据中提取SVM特征以及可能涉及的混合局部频谱特征（Mixture of Local Frequency Patterns, mixturelfp）的...
Audio-Features.zip_audio features_audio matlab
09-24
7. **节奏特征**：如拍子（tempo）、音调（key）等，对于音乐分析至关重要，可以使用专门的音乐信息检索库如MIRtoolbox来计算。 8. **声乐和噪声分离**：例如使用谱减法或独立成分分析（ICA），在MATLAB中可以实现...
tt.zip_extraction_features hog_hog
09-14
标题中的"tt.zip_extraction_features hog_hog"表明这是一个关于提取HOG（Histogram of Oriented Gradients）特征的数据集，而“hog_hog”可能是对特征提取方法的强调或者是特定的文件命名约定。描述中提到"this ...
点云库PCL学习——特征描述与提取（1）
zzh_AI的博客
06-24 1763
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。 特征向量所满足的条件： 刚体变换——具有平移旋转不变性 改变采样密度——具有抗密度干扰性 噪音——对点云特征具有鲁棒性 通常，PCL中特征向量利用K-d tree 查询。 决定一个查询点的k邻域元素（K-搜索） 在半径r的范围内，确定一个查询点的所有邻元素（半径-搜索） 输入点云调用习惯： ...
PCL中ROPS特征描述
weixin_48240054的博客
10-17 1186
PCL中ROPS特征描述（vs2017+pcl1.9.1+win10）
PCL-RoPS描述符
qq_34792438的博客
03-12 643
PCL-学习-描述子-Rotational Projection Statistics
pcl 使用gpu计算法向量_PCL 点云特征描述与提取
weixin_39754411的博客
11-23 1411
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：开着拖拉机唱山歌链接：https://zhuanlan.zhihu.com/p/103219268本文转载自知乎，作者已授权，未经许可请勿二次转载。1. PCL 点云特征描述与提取2. 常见的特征描述算法3. PCL 描述三维特征相关基础4. PCL 法线估计实例 ------ 估计某一点的表面法线5. PCL 法线估计实例 -...
PCL中ROPS特征描述的实例
elephant18的博客
11-15 1374
相比于其他的特征描述，ROPS需要三个输入数据： points: 输入点云 indices: RoPS特征点的标号（即关键点在点云中的下标） triangles:三角面元 首先介绍一下我获取indices的方法。我是用ISS3D求得关键点之后，调用getKeypointsIndices()函数实现的。具体程序如下： pcl::PointIndicesPtr indices(new pcl::P...
反射工具类，通过getMethod和setMethod进行操作
qq_33572532的博客
02-06 3994
由于公司封装了反射的一些工具类，感觉挺好用的，所以在这里记录下吧   比如： 一，通过getMethod获取返回值 private static final String SETTER_PREFIX = "set"; private static final String GETTER_PREFIX = "get"; private static final String CGL
PCL_第13章_重建
yamgyutou的博客
05-17 1773
一、resamping重采样 参考：https://www.cnblogs.com/longyp/articles/7435547.html https://blog.csdn.net/DLW__/article/details/102001232 测量较小的对象时产生一些误差,直接重建会使曲面不光滑或者有漏洞,为了建立完整的模型需要对表面进行平滑处理和漏洞修复.可通过数据重建来解决这一问题,重采样算法通过对周围数据点进行高阶多项式插值来重建表面缺少的部分. 由多个扫描配准后得到的数据直接拿来重建可
pcl点云特征提取 法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征 视点特征直方图VFH GASD特征
万有文的博客
03-23 8482
pcl点云特征提取 法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征 视点特征直方图VFH GASD特征 博文末尾支持二维码赞赏哦_ 如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数， 比如法线方向、曲率、文理特征、颜色、领域中心距、协方差矩阵、熵等等。 如同图像的特征（sifi surf orb）一样，我们需要使用类似的方式来描述三维...
features.shape=features
07-25
这将打印出`features`的形状，例如`(100, 7)`，其中100是样本数量，7是特征数量。 如果您想将`features`的形状赋值给另一个变量，您可以使用以下语句： ```python shape = features.shape ``` 然后，您可以使用`...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值