Harris 3D: a robust extension of the Harris operator for interest point detection on 3D meshes论文解读

本文是将参照二维Harris角点检测改进而来，目的是在三维点云中检测出关键点。

1、计算Harris算子

为了计算导数，我们将二次曲面拟合到以下点上变换点的集合。利用最小平方法，我们找到一个抛物线的形式。

我们选择了一个只有6个项的二次曲面，因为它代表一个抛物线。也就是说，如果我们需要一个带有二次项的两个变量的函数，它是最佳选择。增加更多的项意味着可以拟合一个更复杂的曲面。然而，更复杂的曲面在域的某些点上没有定义好的导数。此外，我们需要一个简单的表达式来应用导数。由于我们对点v中的导数感兴趣，我们可以直接评估f(x，y)在点的导数：

上述表达式应该是对导数的良好估计。然而，这些都会受到噪声的影响。相反，我们建议应用Harris和Stephens[7]最初提出的高斯函数。然而，一个困难出现了，因为在原始表达式中，导数是离散函数，而我们的导数是连续函数。为了解决这个问题，我们建议应用连续高斯函数对导数进行积分，具体如下：

其中σ是一个常数，它定义了高斯函数的支持度，而系数为归一化值。

利用微积分，我们可以将这些表达式简化为

最后，我们可以利用之前计算的值来计算点v相关的矩阵E

点v中的Harris算子值按（3）计算。

2、适应性邻域尺度（Adaptive neighborhood size）

选择一个点周围的环数作为邻域，可以考虑几种方法。如果对象的分布是均匀的，即对象中几乎所有的三角形都具有相同的大小，我们可以对所有的点使用恒定的环数，或者使用半径为r、以点v为中心的球所包含的点，但是，在不规则和复杂的网格中，这些方法并不能充分地逼近邻域。

为了解决这个问题，我们提出了一种自适应技术。我们的方法根据点周围的分布情况选择不同的邻域大小。让我们把一个对象看作一个图G(V',E')，其中V'=V，E'是由对象的邻接信息得到的边的集合。

2.1定义1：

给定一个点v∈V'，v点周围的k-ring是一系列点的集合（该集合中的点到v的最短距离是k）定义为：

2.2定义2：

从点v到 ringk(v)的距离定义为：

2.3定义3：

最后，我们定义一个点v的邻域大小为：

其中δ是对象边界矩形对角线的分数。

需要注意的是，所提出的方法总是找到一个点的邻域，即使在该点周围有复杂和不规则的棋盘。

3、选择兴趣点

3.1第一步，我们保留局部最大的顶点。

为了做到这一点，我们选择一个顶点v，它满足以下条件：

3.2第二步，我们提出两种方法来选择最终的兴趣点：

3.2.1法一：选择Harris响应最高的点

我们可以根据应用情况选择一个恒定的兴趣点分数。在这个提案中，我们获得了具有较高显著性的点，因此，对象的某些部分没有兴趣点。

3.2.2法二：兴趣点簇的代表

当我们希望兴趣点在物体表面有一个良好的分布时，可以使用这种方法。这个建议包括两个步骤。首先，我们根据预选的兴趣点的Harris算子值按递减顺序进行排序。其次，我们应用算法1对排序后的点进行聚类，选择最终的兴趣点集。ρ的值可以认为是对象边界矩形对角线的分数，它对返回的兴趣点数量有影响。

下图显示了两种方法选择兴趣点的结果。