点集的视点特征直方图的评估

VFH(Viewpoint Feature Histgram)视角特征直方图描述器，可以很直观的表现点的聚类在处理聚类识别与6DOF位姿估计。

下面的图像展示了一个VFH识别和位姿估计的例子。给一些训练集，除了左下角的那个杯子，用来学习，用左下角的杯子作为检测。

VFH源于FPFH描述器，因为它的速度与区别能力，我们决定利用FPFH的识别结果，但是在保持比例不变的情况下增加了一个视角变量。

我们在物体识别和位姿检测上的贡献是扩展了FPFH使其能够评估整个物体的聚类，并且计算了额外的视角方向和法线之间的额外数据。为了做到这一点，我们使用了把视角方向混合到法线方向的计算中去。

 

视点成分是通过收集角度直方图来计算的，这个角度是由每个法线产生的。注意，我们并不意味着对每个法线的视角具有伸缩不变性，而是意味着从视点方向到每个法线的方向转换。第二个成分是测量相对水平，倾斜和偏转角度就像上一节FPFH里面讲的那样，不过现在是通过视点方向和表面法线方向来测量。

我们把这个新的组合特征叫做VFH，下图表明了这是由2部分组成的:

1.一个视点方向组成

2.一个表面形状组成包括扩展的FPFH

要使用VFH在pcl里面得通过pcl_features这个库。

PFH和FPFH与VFH的主要区别是，对于一个给定的点云数据集，只有一个单一的VFH描述器被预估，而PFH/FPFH将有和点云里面相同的点的数量的输入。

下面是一个代码段。

#include <pcl/point_types.h>
#include <pcl/features/vfh.h>

{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal> ());

  ... read, pass in or create a point cloud with normals ...
  ... (note: you can create a single PointCloud<PointNormal> if you want) ...

  // Create the VFH estimation class, and pass the input dataset+normals to it
  pcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh;
  vfh.setInputCloud (cloud);
  vfh.setInputNormals (normals);
  // alternatively, if cloud is of type PointNormal, do vfh.setInputNormals (cloud);

  // Create an empty kdtree representation, and pass it to the FPFH estimation object.
  // Its content will be filled inside the object, based on the given input dataset (as no other search surface is given).
  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
  vfh.setSearchMethod (tree);

  // Output datasets
  pcl::PointCloud<pcl::VFHSignature308>::Ptr vfhs (new pcl::PointCloud<pcl::VFHSignature308> ());

  // Compute the features
  vfh.compute (*vfhs);

  // vfhs->points.size () should be of size 1*
}

我们可以看到这比以前使用的FPFH和PFH更简单了，只要输入点云即可。

可视化VFH特征，libpcl_visualization包含了一个特殊的PCLHistogramVisulization类，也是通过pcl_viewer来显示VFH图。