PCL Harris3D关键点提取【2024最新版】

已于 2024-08-31 11:36:12 修改
阅读量10w+ 收藏 39
点赞数 9
分类专栏： PCL学习 文章标签： 算法 计算机视觉 开发语言 3d c++
于 2021-04-22 15:10:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36686437/article/details/115975632
版权
PCL学习 专栏收录该内容
260 篇文章 7778 订阅 ¥19.90 ¥99.00
订阅专栏
本文详细介绍了PCL库中的Harris3D关键点提取算法，从2D Harris算法原理出发，解释了如何将其扩展到3D场景中。3D-Harris算法通过计算点云法线的协方差矩阵来检测特征点，适用于点云处理。需要注意，Harris算法的输出点云需有强度信息，并需通过原始点云重新获取关键点。文章还提及了计算角点响应值的不同方法和参考文献。
摘要由CSDN通过智能技术生成

目录

在这里插入图片描述
本文由CSDN点云侠原创，原文链接。如果你不是在点云侠的博客中看到该文章，那么此处便是不要脸抄袭狗。
博客长期更新，最近一次更新时间为：2024年8月31日。

一、算法原理

1、原理概述

  pcl::HarrisKeypoint3D使用2D Harris关键点的思想，但不是使用图像的梯度，而是使用点云的表面法线。该算法需对整个点云空间进行三维网格化，

了解本专栏 订阅专栏 解锁全文
点云侠
关注
专栏目录
订阅专栏
【C++PCL】点云处理3D-Harris关键点提取
weixin_45196569的博客
05-08 318
3D-Harris算法通过对点云体素化，将其分割成一个个的方块体，并从前、后、左、右、上、下6个平移方向检测方块体内点云的数量变化来确定局部区域内是否存在关键点。该算法检测步骤如下：(1) 将点云体素化，建立局部坐标系，以法向量的方向为Z轴，X、Y轴与Z轴两两垂直，X轴方向在XOY平面内任意。(2) 建立KD-Tree，求解点云的法向量并构建法向量的协方差矩阵。协方差矩阵M的表达式为:其中，n为当前点的邻域点个数，nx、ny、nz分别为点云法向量的三个分量。
点云的特征提取
10-13
This paper describes a new method to extract feature lines directly from a surface point cloud. No surface reconstruction is needed in advance, only the inexpensive computation of a neighbor graph connecting nearby points.
PCL从理解到应用【09】 点云特征 | 关键点提取 | 方法汇总
最新发布
黎国溥
08-03 1284
在PCL中，有多种方法和函数可以用来提取点云特征，本文介绍关键点提取。提取点云关键点，本文介绍的方法包括：SIFT、Harris、NARF、ISS和SUSAN。Harris 提取点云关键点，效果如下图所示：白色点是原始的点云（兔子），绿色点是Harris提取的点云关键点。对比一下5种点云关键点算法，如下表格所示：方法简介特点时间复杂度优点缺点SIFT基于尺度不变特征变换，检测不同尺度和旋转不变的关键点尺度不变性、旋转不变性高在尺度和旋转变化下稳定，对噪声有较强的鲁棒性。
点云处理【五】(点云特征提取)
略知12的博客
10-20 2208
PFH通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它考虑估计法线方向之间所有的相互作用，试图捕获最好的样本表面变化情况，以描述样本的几何特征。它的思想在于分别计算查询点的k邻域中每一个点的简化点特征直方图(Simplified Point Feature Histogram,SPFH)，再通过一个公式将所有的SPFH加权成最后的快速点特征直方图。通常点云特征与关键点结合使用。
点云特征提取方法综述
11-25
对三维点云信息的特征分类和提取，进行总结。
3d点云处理--特征点提取
m0_47096428的博客
05-10 6381
ICP配准失败原因： 1. 初始化位置选择有问题 2. 两帧点云重合的部分较少=》扫到了不同的部分，比如innvosuion的雷达 Harris特征 物理意义上理解harris特征： 我们关注每个点在x，y方向intensity变化的速率。 如果在两个方向变化都快，这就是角点。 数学上设计理念： 1. 通过一个scalar的阈值进行判断 2. 考虑到两个方向对于最后得到数值的影响。 直观的看一些一阶导数对应的分布。 针对linear...
点云关键点提取（1）
04-10
pcl中实现对点云的关键点提取，具体包括iss和sift关键点。
PCL Harris关键点提取 c++程序
06-16
总之，PCL Harris关键点提取的C++程序实现了将经典的2D图像处理技术应用到3D点云数据中，为3D视觉任务提供了关键特征的检测和描述。理解和使用这样的程序能够极大地提升3D计算机视觉应用的开发能力。
CloudCompare&PCL Harris关键点提取
dayuhaitang1的博客
05-26 621
文章目录一、简介 一、简介
【2024最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
02-27 57万+
PCL学习目录。博客长期更新，最近一次更新时间为：2024年9月4日。
一种点云特征线提取方法
02-22
提出了一种特征线提取方法，该方法包含边界线和折边的提取，边界线的提取主要根据邻近投影点相邻向量夹角来实现，折边的提取主要利用邻近点向量聚类情况来实现。通过采集不同类型目标物点云数据，验证了所提方法的有效性。
点云模型特征的提取算法
05-04
点云模型特征的提取算法
点云的边界提取
06-30
能够将散乱的点云数据边界点及特征点提取出来，并显示。
PCL点云处理之Harris关键点提取 （一百五十七）
weixin_44329757的博客
05-13 413
关键点的提取，对于处理海量点云是必不可少的，直接处理大规模点云时对很多算法而言都很耗时，此时提取稳定的关键点，可以减少点云处理的数据量，关键点应该是紧凑而能保持对原始点云描述的兴趣点，这在2D的图像和3D的点云处理领域，都是关键方法。
点云特征提取及分类、VFH、SVM、CNN
人生得意须尽欢
12-28 2万+
数据与特征决定了机器学习的上限， 模型/算法/参数只是来逼近这个上限。 0: 分类方式 按照特征的物理属性，可以将特征分为：几何域，强度域。 按照特征的空间尺度，可以分为：单点特征，局部特征，全局特征。 1：传统特征 单点特征 主要有：三维坐标（X, Y, Z）, 回波强度 Intensity, 法线 （Nx，Ny，Nz），主曲率（PCx, PCy, PCz, 及两个特征值 PC1, PC2） 局部特征 （一）几何域 局部特征常见的有各种几何特征描述子：PFH，FPFH，SHOT，C-SHOT，RSD，3D
PCL 点云特征描述与提取
3D视觉工坊
04-28 6397
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：开着拖拉机唱山歌链接：https://zhuanlan.zhihu.com/p/103219268本文转载自知乎，作者已授权，...
点云特征描述与提取
吃不胖的粥
08-21 9896
在等数据结果的过程中没事，上传一下之前总结的一些点云特征描述子 由于之前都是写在纸质版的笔记本上的，又不想多打字，只好上传扫描版本的咯，看官们请见谅哈 下面主要是讲述基本原理，主要涉及到一些经典的描述子： PFH， FPFH， Spin Image， SHOT， RoPS， TriSI， 3DSC， USC， ISS， VD_LSD， LSP， THRIFT， 很多算法在PCL中已经实现了。最...
PCL点云特征描述与提取
weixin_44485812的博客
01-23 5594
局部描述子（local descriptor） 在原始表示形式下，点的定义是用笛卡尔坐标系坐标x,y,z相对于一个给定的原点来简单表示的三维映射系统的概念。假定坐标系的原点不随着时间而改变，这里有两个点p1和p2，分别在时间t1和t2捕获，有着相同的坐标。 虽然相对于一些距离测度（如：欧几里得度量）它们是相等的。但是它们取样于完全不同的表面，因此当把它们和邻近的其他环境中的点放在一起时，它们表达着完全不同的信息，这是因为在t1和t2之间局部环境有可能发生改变。 因此作为一个单一实体的三维点概念和笛卡尔坐标系
PCL库NARF关键点提取代码
05-25
以下是使用PCL库中的NARF算法进行关键点提取的示例代码： ``` #include <pcl/point_types.h> #include <pcl/point_cloud.h> #include <pcl/features/range_image_border_extractor.h> #include <pcl/features/narf_descriptor.h> #include <pcl/io/pcd_io.h> #include <iostream> int main(int argc, char **argv) { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); if (pcl::io::loadPCDFile<pcl::PointXYZ>(argv[1], *cloud) == -1) // 从PCD文件中读取点云数据 { PCL_ERROR("Couldn't read file test_pcd.pcd \n"); return (-1); } // 将点云转换为深度图像 float angular_resolution = 0.5f; float support_size = 0.2f; pcl::RangeImage::Ptr range_image(new pcl::RangeImage); pcl::RangeImageBorderExtractor range_image_border_extractor; pcl::NarfDescriptor narf_descriptor(&range_image_border_extractor); range_image_border_extractor.setRangeImage(range_image); range_image_border_extractor.compute(); narf_descriptor.compute(*cloud, pcl::PointCloud<int>(), range_image_border_extractor.getBorderDescription(), pcl::PointCloud<int>()); // 提取关键点 std::vector<int> keypoint_indices; narf_descriptor.getKeypoints(keypoint_indices, support_size); // 输出关键点数量 std::cout << "Number of keypoints: " << keypoint_indices.size() << std::endl; return 0; } ``` 在代码中，首先读取PCD文件中的点云数据，然后将点云转换为深度图像，接着使用NARF算法进行关键点提取，最后输出关键点数量。需要注意的是，NARF算法需要先将点云转换为深度图像才能进行关键点提取。
评论 31
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

点云侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值