【三维点云数据处理】ISS特征点提取算法

点云兔子

已于 2022-06-01 07:48:47 修改

阅读量5.9k

点赞数 12

分类专栏：三维点云处理文章标签：算法开发语言计算机视觉 c++

于 2022-05-31 21:01:12 首次发布

本文链接：https://blog.csdn.net/qq_40301351/article/details/125053456

版权

三维点云处理专栏收录该内容

17 篇文章 42 订阅

订阅专栏

1 算法原理

Yu Zhong提出了一种识别表示为3D点云的3D对象的新方法。引入了一种称为内在形状签名（Intrinsic Shape Signature，ISS）的新3D形状描述符，以表征点云的局部/半局部区域。固有形状签名使用与视图无关的 3D 形状表示来直接匹配来自不同视图的形状斑块，并使用编码查看几何图形的视图相关变换来促进快速姿态估计。

特征点是图像点云中那些可以通过定义检测标准提取的稳定、独特的点集，其数量远小于原始点数。ISS 特征点是一种通过与邻域信息建立联系，并利用特征值之间的关系来表示点特征程度的方法。其主要步骤如下:

对每个查询点 $gif.latex?p_%7Bi%7D$ 设定一个搜索半径 r。
计算查询点 pi与邻域内各点的欧氏距离，并设定权值 $gif.latex?w_%7Bij%7D$ 。
计算每个查询点 pi与邻域内所有点的协方差矩阵 cov( $gif.latex?p_%7Bi%7D$ )
计算协方差矩阵 cov( $gif.latex?p_%7Bi%7D$ ) 的所有特征值{ $gif.latex?%5Clambda%20_%7Bi%7D%5E%7B1%7D$ ， $gif.latex?%5Clambda%20_%7Bi%7D%5E%7B2%7D$ ， $gif.latex?%5Clambda%20_%7Bi%7D%5E%7B3%7D$ } ，并将其按照从大到小排序。
设定阈值 $gif.latex?%5Cvarepsilon%20_%7B1%7D$ 和 $gif.latex?%5Cvarepsilon%20_%7B2%7D$ ，若其满足式(3) 即为ISS 特征点。

2 代码实现

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/keypoints/iss_3d.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>


typedef  pcl::PointCloud<pcl::PointXYZRGBA> PointCloud;

//点云可视化
// 显示model+scene以及他们的keypoints
void
visualize_pcd(PointCloud::Ptr model, pcl::PointCloud<pcl::PointXYZRGB>::Ptr scene_keypoints)
{
    pcl::visualization::PCLVisualizer viewer("registration Viewer");
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZRGBA> model_color(model, 0, 255, 0);
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZRGB> scene_keypoint_color(scene_keypoints, 0, 0, 255);
    viewer.setBackgroundColor(255, 255, 255);
    viewer.addPointCloud(model, model_color, "model");
    viewer.addPointCloud(scene_keypoints, scene_keypoint_color, "scene_keypoints");
    viewer.setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 7, "scene_keypoints");

    while(!viewer.wasStopped())
    {
        viewer.spinOnce(100);
        boost::this_thread::sleep(boost::posix_time::microseconds(100000));
    }
}



// 你的文件地址
const std::string filename = "D:\\clouddata\\dragonStandRight_0.pcd";

int
main(int, char** argv)
{

    pcl::PointCloud<pcl::PointXYZRGBA>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGBA>);

if (pcl::io::loadPCDFile<pcl::PointXYZRGBA>(filename, *cloud) == -1) // load the file
{
    pcl::console::print_error("Couldn't read file %s!\n", argv[1]);
    return (-1);
}
  std::cout << "points: " << cloud->points.size () <<std::endl;

      pcl::ISSKeypoint3D<pcl::PointXYZRGBA, pcl::PointXYZRGB> iss_detector;

      pcl::PointCloud<pcl::PointXYZRGB>::Ptr keypoints (new pcl::PointCloud<pcl::PointXYZRGB> ());
      pcl::search::KdTree<pcl::PointXYZRGBA>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZRGBA> ());

      iss_detector.setSearchMethod (tree);
      iss_detector.setSalientRadius (0.007f);
      iss_detector.setNonMaxRadius (0.005f);
      iss_detector.setThreshold21 (0.65); //for resolution 0.004f
      iss_detector.setThreshold32 (0.1);  //for resolution 0.004f
      iss_detector.setMinNeighbors (4); //for resolution 0.004f
      iss_detector.setNumberOfThreads (4); //for resolution 0.004f
      iss_detector.setInputCloud (cloud); //
      iss_detector.compute (*keypoints); //

   std::cout << "N of ISS_3D points in the result are " << (*keypoints).points.size () << std::endl;
   pcl::io::savePCDFile("keypoints_iss_3d.pcd", *keypoints, true);

   // Visualization
    visualize_pcd(cloud, keypoints);
  return 0;

}