点云特征线提取(基于深度学习)

概述：

点云特征点是点云数据中的一种重要特征，主要用于对点云数据进行分析和描述。点云特征点可以用于识别点云数据中的关键形状和结构，并将其作为点云数据的代表性特征进行保存和传递。在现有的点云特征点提取算法中，基于特征属性的方法是最常见的一种，通过设定特征属性阈值提取特征点。此类方法能够有效提取到点云特征点，表现出色。但在多尺度的点云模型中，设置全局统一属性阈值，很难完全提取模型中的特征点，为进一步提取模型中潜在的特征点，往往还需要进一步的精细化参数设置，这种做法效率极低，且可能提取不完全。

点云特征线是点云特征点的集合，可以有效地捕捉点云中的几何形状、轮廓、纹理等信息。点云特征线的优势在于其能够保留点云数据的几何信息和细节，并且可以提取出具有代表性的特征线，从而方便点云数据的进一步分析和处理。例如，点云特征线可以用于点云分割、模型重建、物体识别等领域。在散乱点云中，特征线的提取通常通过连接特征点实现。然而，生成的特征线可能会出现折线或者连接不完整的问题。

设计思想：

在此博客中介绍了一种基于深度学习的方法，基于点云切片提取点云特征点，在特征点的基础上，连接特征线，完成特征线的提取。此处网络用的是PCPNet简略版。基于点云切片的方法，说直白一点就是依次判断每个点是否是特征点，进行二分类的操作。不能光输入一个点进行判断，因此需要该点的邻域点作为网络的输入，进行二分类。

算法的效果图如下：

效果感觉还行吧(大佬轻喷)，想要效果提升一下，可以对网络进行改进。

代码：

想必看这博客的读者应该对PointNet、PCPNet网络有所了解，对于大佬来说，上手就用，直接参考网络作者的github仓库，但对新手来说，作者开源的代码感觉读起来很费脑，这里整理了一下最核心简单的代码，仅供参考，有错误请指出。（还在整理，写的low，怕被骂，后面在开放出来），此处感谢开源算法的大佬，给我们学术菜鸡分杯羹。

总结

最近几年感觉深度学习都火半天，啥都用深度学习（此处捂脸哭表情包）。该方法仅仅提供一条思路，从某种程度上解决全局统一属性阈值的限制，但是慢啊！流程看下图，又是找邻域，又是判断，能不慢吗？此处博主用的是尊贵的NVIDIA 3090Ti 火神(装*如风，长伴吾身，此处脑补嘚瑟)，对于10万点的模型，大概需要2 ~ 3s 左右。