Open3D 计算点云FPFH特征

已于 2024-07-26 15:08:35 修改
阅读量146 收藏
点赞数
分类专栏： Open3D点云算法与深度学习的应用 文章标签： 算法 python 计算机视觉 3d 图像处理
于 2024-07-11 00:30:00 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_47947920/article/details/140264715
版权

目录

一、概述

1.1法线估计

1.2SPFH（Simplified Point Feature Histograms）计算

1.3FPFH计算

二、代码实现

2.1关键函数

2.2完整代码

三、实现效果

3.1原始点云

3.2计算数据

 Open3D点云算法汇总及实战案例汇总的目录地址：

Open3D点云算法与点云深度学习案例汇总（长期更新）-CSDN博客

一、概述

        FPFH（Fast Point Feature Histogram）特征是一种用于描述点云局部几何特征的描述子。它由Rusu等人在2009年提出，旨在高效地描述三维点云的局部几何特征，并用于点云配准、分类和分割等任务。

        FPFH特征的计算过程分为三个主要步骤：法线估计、SPFH计算和FPFH计算。

1.1法线估计

      

了解本专栏 订阅专栏 解锁全文 超级会员免费看
白葵新
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
Open3D(C++) 快速全局配准（基于FPFH）
点云侠的博客
08-29 1514
C++版本Open3D实现的基于FPFH特征的快速全局配准(Fast Global Registration)。
点云配准8：FPFH+RANSAC粗配准 + ICP精配准(Open3D)
诺有缸的高飞鸟的博客
10-31 3224
使用FPFH+RANSAC做点云粗配准，在粗配准基础上使用ICP（Point2Point-ICP, Point2Plane-ICP，G-ICP)进行精配准；根据笔者经验，在点云几何信息没有特别差的情况下，FPFH+RANSAC+ICP是当前传统点云配准方法中的最优选择；包含CMakeLists，cpp源码，代码解析，编译脚本，运行结果可视化；算法基于Open3D实现
Open3D 点云配准-FPFH特征计算（原理详细版）
最新发布
纵马踏花向自由
08-11 1653
FPFH（Fast Point Feature Histograms）特征计算是通过描述点云中每个点的局部几何关系来生成的，FPFH特征向量的维度是33。FPFH特征计算分为两个主要步骤：SPFH（Simplified Point Feature Histograms）和FPFH。以下是详细的步骤和几何关系描述。
Open3D 计算FPFH特征
点云侠的博客
09-03 4285
FPFH特征描述子的python实现
Open3D(C++) RANSAC点云粗配准（基于FPFH）
点云侠的博客
09-08 1217
基于FPFH特征描述子的RANSAC点云粗配准算法，C++版本的Open3D代码实现。
用来描述点云局部特征的快速点特征直方图(FPFH)算法的matlab实现
04-04
[原创]自己实现的FPFH算法，效果与PCL中的完全一致。输入量必须包括离散无拓扑的点云矩阵、点云法向量矩阵、关键点在离散点云中的位置向量、邻域参数这么四个，另外两个量可缺省，填入ISS算法(资源已放出)步骤中用到的r邻域拓扑变量时可以节省运算资源。输出量为一个矩阵，其中每一行为一个33维度向量，对应一个关键点的FPFH描述符。 个人比较满意的作品，代码变量命名规范、逻辑清晰、可读性强。
点云配准算法fpfh，C++,pcl库，亲测可用
04-19
点云配准算法FPFH代码，可读取pcd文件，如果要读取ply文件需要自己改代码，或者将ply文件转换为pcd
点云配准，fpfh
07-22
点云配准，fpfh，初始矩阵的计算
FPFH点云配准
11-05
用FPFH方法进行点云配准，包含一个两个源文件和一个头文件，头文件包括RANSAC和FPFH特征的定义，源文件其中一个是FPFH特征的提取，还有一个是主函数，主要是各种接口。通过该方法可以比较好的进行点云配准
【Open3D】点云拼接/配准，基础知识及示例代码(K-D Tree/FPFH/RANSAC/ICP)
weisterki的博客
05-03 1237
本文总结了点云配准的Open3D解决方案以及基础知识，附有示例代码
CloudCompare&PCL FPFH描述子
dayuhaitang1的博客
05-28 473
文章目录一、简介二、PCL中的类型三、实现代码四、实现效果参考资料 一、简介 假设一个点云对象有n个点，那么之前所说的PFH描述子的时间复杂度应为O(nk2)O(nk^2)O(nk2)，其中k是点云中每个点的邻近点。之所以会有这么高的复杂度，这与PFH的计算方式有关，它需要邻近点集进行两两计算。但是这种方式对于一些实时应用而言就显得不是很理想了，因此也就出现了FPFH（快速点特征直方图），该描述子将算法的计算复杂度降低到了O(nk)O(nk)O(nk)，但是仍可以保留PFH大部分的特性。 该特征描述子
三维点云学习（8）5-3D Feature Description 实现FPFH
weixin_41281151的博客
08-23 2694
三维点云学习（8）5-3D Feature Description 实现FPFH 本次python实现FPFH代码，大部分参考：大神的GitHub 参考博客：【PCL学习笔记】之快速点特征直方图FPFH - pcl::FPFHSignature33 本次使用的数据集是：modelNet40 的 airplane_0001.txt modelNet40 数据集下载 为40种物体的三维点云数据集 链接：https://pan.baidu.com/s/1LX9xeiXJ0t-Fne8BCGSjlQ 提取码：es1
Open3D 基于FPFH特征点的RANSAC粗配准（Python版本）
dayuhaitang1的博客
01-15 675
Open3D 基于FPFH特征点的RANSAC粗配准（Python版本）
[PCL]FPFH描述子
weixin_34384557的博客
04-24 357
fpfh_est.setSearchSurface(data); 如果没有设置SearchSurface，使用input数据集作为查找的表面 1 // If no search surface has been defined, use the input dataset as the search surface itself 2 if (!surface_) 3 { 4 ...
使用open3d计算fpfh 特征,并返回特定点的特征值
11-11
要使用Open3D计算FPFH特征并返回特定点的特征值，首先需要加载一个点云对象。可以使用Open3D的read_point_cloud函数从文件中读取点云数据，或者创建一个新的点云对象并手动添加点。接下来，可以使用Open3D的compute_fpfh_feature函数计算点云的FPFH特征。 计算FPFH特征需要设置一些参数，如搜索半径和法向量估计半径。搜索半径决定了计算每个点的局部参考框的大小，而法向量估计半径用于计算每个点的法向量。可以根据点云的大小和密度来选择适当的值。 计算完FPFH特征后，可以使用Open3D的select_down_sample函数选择要查看特征的特定点。可以根据点的索引或坐标来选择点。 最后，可以使用Open3D的point-cloud对象的data属性来访问点云的FPFH特征信息。对于特定点，可以使用其索引或坐标来获取对应的特征值。 以下是一个示例代码，说明了上述步骤： ```python import open3d as o3d # 读取点云数据 pcd = o3d.io.read_point_cloud("point_cloud.pcd") # 计算FPFH特征 radius = 0.1 # 搜索半径 normal_radius = 0.05 # 法向量估计半径 pcd.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=normal_radius)) pcd_fpfh = o3d.registration.compute_fpfh_feature(pcd, o3d.geometry.KDTreeSearchParamHybrid(radius=radius)) # 选择特定点 point_index = 100 # 特定点的索引 selected_points = [point_index] # 要选择的点的索引列表 # 获取特征值 fpfh_features = pcd_fpfh.data[:, selected_points].T print(fpfh_features) ``` 在上述示例中，我们假设点云数据存储在名为"point_cloud.pcd"的文件中。计算FPFH特征时，我们选择了搜索半径为0.1，法向量估计半径为0.05。特定点的索引定义为100，然后我们将其添加到selected_points列表中。最后，我们访问pcd_fpfh的data属性，并使用selected_points索引访问FPFH特征值，并将其打印输出。
评论
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
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