点云库PCL学习：全局描述子CVFH的提取

介绍：

CVFH是一种基于区域描述的特征点，也是基于VHF扩展的方法（VFH在物体局部遮挡的情况下识别效果并不好）。
输入格式：
（1）由一组定向点P组成的点云。定向意味着所有点都具有正常的法向量n。
（2）此功能不使用颜色信息。
工作原理：
（1）由于遮挡和传感器限制，我们使用传感器获取的是物体的2.5D点云数据，一旦缺失部分点云，计算整个点云的点和正常质心的结果可能完全不同。这就是为什么一旦点云中缺少必要点，VFH描述符也就会完全不同。
（2）CVFH创建稳定的集群区域。从点云P开始，新的簇Ci从尚未分配给任何簇的随机点Pr开始。如果Ci中存在点Pj，则P中的每个点Pi被分配给该簇，使得它们的法线类似并且它们处于直接邻域中（比较角度和距离阈值）。聚类簇群太少的集群被拒绝或忽略。
（3）计算每个群集上的VFH。
（4）为每个直方图添加形状分布，表示点如何围绕质心分布。
（5）有关特征计算的更多详细信息，请参阅原始论文：http：//ieeexplore.ieee.org/xpl/articleDetails.jsp？numumber = 6130296

CVFH描述子的提取

提取CVFH描述子的过程与VFH差不多，具体可参考如下程序：

void calcuate_cvfh(const string name, pcl::PointCloud<pcl::VFHSignature308> &vfhs,float normal_r=0.6)
{     
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);       
if (pcl::io::loadPCDFile<pcl::PointXYZ>(name, *cloud) == -1)      
{
              PCL_ERROR("Cloudn't read file!");
              return;      
} 
      
//估计法线      
pcl::NormalEstimation<pcl::PointXYZ,pcl::Normal> ne;      
ne.setInputCloud(cloud);      
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new
pcl::search::KdTree<pcl::PointXYZ>());      
ne.setSearchMethod(tree);      
pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);     
ne.setRadiusSearch(normal_r);   
//使用半径在查询点周围范围内的所有邻元素      
ne.compute(*cloud_normals);           
//CVFH    
pcl::CVFHEstimation<pcl::PointXYZ,pcl::Normal, pcl::VFHSignature308> cvfh;      
cvfh.setInputCloud(cloud);     
cvfh.setInputNormals(cloud_normals);

      
//创建一个空的kd树表示法      
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree1(new
pcl::search::KdTree<pcl::PointXYZ>);      
cvfh.setSearchMethod(tree1);
      
//输出的数据集     
 //pcl::PointCloud<pcl::VFHSignature308>::Ptr vfhs(new pcl::PointCloud<pcl::VFHSignature308>()); 
 //vfh.setRadiusSearch(15);     
cvfh.compute(vfhs);

}

显示CVFH特征与可视化VFH特征的过程是差不多的，大概是这个代码（还没进行测试）：

pcl::visualization::PCLPlotter plotter;
plotter.addFeatureHistogram<pcl::VFHSignature308>(cvfhs, "vfh", 0);
plotter.plot();//显示cvfh特征