本文介绍了3D点云特征检测中的点特征直方图（PFH）和快速点特征直方图（FPFH）。PFH通过多维直方图编码点邻域的几何特性，而FPFH是PFH的优化版本，加速计算过程。文章详细阐述了法线估计、PFH和FPFH的计算方法，包括邻域点的协方差矩阵、特征向量和角度差的计算，以及优化的加权邻近SPFH方法。
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
3D中特征检测和匹配的目标与2D中大致相同：从不同的角度查找可以与同一场景的扫描进行匹配。这些功能匹配可用于初始化oraidin注册。但是，3D数据的性质要求我们重新考虑什么指数比较适合用来计算。虽然没有具有相关强度的统一像素网格，但是却有了基本相同的非均匀数据点集合。
对于一个特定的点云，法线方向与该表面的曲率概率是基本的几何特征的描述。尽管计算简单，快速，但是在大多数情况下，点云将包含许多相似或相同的特征值，这使得无法获取更多信息和特征。我们着重介绍一些快速和高效的局部和全局3D点云特征检测算法。
表面法线估计
平面的法线向量是垂直于平面的单位向量，并且表面上某个点的法线向量定义为垂直于与表面相切的平面的向量。
检测点的法线向量的计算主要包括基于表面网格的求解方法和基于周围邻域中的点的分布的求解方法。
用于正常估计的不同区域选择
法线向量所在的轴是邻域分布的分散方向。假设距N个检测点的距离的半径位于r的附近，则相邻点与查询点p_i之间的协方差矩阵为：
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
