PCL中的3D特征描述子

一. PCL中的特征点提取原则

1. 3D 特征，是基于局部描述子提取的。

3D feature，就是为了区分不同的表面几何特征而提取的特征值和测度值。 

局部描述子，用于表现局部点所代表的表面几何特征。好的点特征描述子通常具备下面的特征：

1）转换不变性，也就是旋转、平移不会影响到特征向量的描述；

2） 采样密度变化不变性，即不同采样频率下的特征矢量基本一致；

3）噪声不变性，即，数据中不同噪声含量条件下不会影响到特征向量的相似性。

 

2.　PCL的各种特征提取方法，都十分相似。只是在点选择和其邻域设置时可以进行不同设置

其中使用kd-tree的快速搜索方式。它也分为两种类型的搜索：

1）k个邻域点值的确定；

2）在半径为r的球半径内进行邻域搜索与计算。

3. PCL　如何选择哪部分点云数据被有来进行特征点的提取

１) 整个点云数据集为对象的过程，使用 setInputCloud。这时，每个点都被估计一个特征。

 2) 可以取部分点云数据，通过setInputCloud 和 setIndices。这时，只有被分配了index的点才会被估计一个特征值。

3) 对于邻域的选择，可以用setSearchSurface设定。

4）于是，上述的三个函数：setInputCloud, setIndices, setSearchSurface组合后，就可以出现以下四种情况：

 

 a                                                  b                                             c                                                  d

 

a)  setIndices() =false, setSearchSurface()=false

此时，对点云中所有的点都进行特征统计。即，分别对每一点进行最邻近域的搜索与计算。

b) setIndices() =true, setSearchSurface()=false

只对有特定index的进行测算，其它的点不考虑，例如：只考虑p1点；而a图中的p2点因为没有index所以忽略；

c) setIndices() =false, setSearchSurface()=true

此时，所有的input点云中的点都要被作为被询问点；但是每个点的最近邻域要受限于Surface的定义，而不是全部的输入点云都要被作为最近邻域进行考虑。

d) setIndices() =true, setSearchSurface()=true

此时，输入点云中被询问的点和要搜索的邻域，分别受限于这两个函数的定义。

举例：

- 如果有一个点密度很高的点云数据，我们并不想对其中所有的点都进行特征估计，而是只希望对其中的key points 进行估计；或者是只考虑下采样后的点云的点的情况。 

- 此时，只需要将key points 或者下采样的点云放入setInputCloud()函数中，将setSearchSurface()中放入原始数据就可以了。

---

二.  PFH (Point Feature Histograms) 描述子 

1. PFH描述子是基于XYZ的点云数据和表面法向量进行计算获得的。

PFH是通过局部特征的计算，再利用直方图统计出选定点云的全局特征的方法。

PFH是在一个目标点的k邻域内对它的几何特征进行编码。编码时，基于相关数值的多维直方图，提取围绕该点的平均曲率值。如下图所示，Pq是目标点，其周围的Pki即是选取的k邻域点。   

图1  PFH中的目标点(红) 与邻域点(蓝) 关系

 

n表示法线方向；Ps 和Pt是目标点与它的一个邻域点；

目标点与其邻域内选定的各点之间的法向量的差异，可以用三个角度特征进行描述：