【译】PCL官网教程翻译(16)：点特征直方图(PFH)描述符 -Point Feature Histograms (PFH) descriptors

英文原网页查看。

点特征直方图(PFH)描述符

就点特征表示而言，表面法线和曲率估计是在表示特定点周围的基本的几何形状方面。虽然计算速度极快，也很容易，但是它们不能捕捉太多的细节，因为它们只能用很少的值来近似一个点的k邻域的几何形状。直接的结果是，大多数场景将包含许多具有相同或非常相似的特征值的点，从而减少了它们的信息特征。
本教程介绍了一组为简单起见而创建的3D特征描述符PFH(点特征直方图)，介绍了它们的理论优势，并从PCL的角度讨论了实现细节。作为先决条件，请先阅读PointCloud教程中的估算表面法线，因为PFH签名既依赖于xyz 3D数据，也依赖于表面法线。

理论基础

PFH公式的目标是编码一个点的k邻域几何特性，使用值的多维直方图来概括点周围的平均曲率。这种高维超空间为特征表示提供了一个信息签名，它不受下垫面的6D位姿的影响，并且能够很好地处理邻域中存在的不同采样密度或噪声水平。
点特征直方图表示是基于k邻域内的点与其估计的表面法线之间的关系。简而言之，它试图通过考虑估计法线方向之间的所有相互作用，尽可能地捕捉采样的表面变化。由此得到的超空间依赖于每一点表面法向估计的质量。
下图呈现出一种影响的地区图PFH计算为一个查询点$p_q$,标有红色和放置在一个圆半径为r的(在3D球体),和所有k临近点(点距离小于半径r)完全互联。最终的PFH描述符计算为邻域内所有对点之间关系的直方图，因此计算复杂度为$O(k^2)$。

为了计算两个点$p_i$和$p_j$之间的相对差以及它们的相关法线$n_i$和$n_j$，我们在其中一个点定义了一个固定的坐标系(见下图)。
$$u=n_s$$
$$v=u\times \frac{(p_t-p_s)}{\Vert p_t-p_s{\Vert }_2}$$
$$w=u\times v$$

利用上面的uvw向量，两个法线$n_s$和$n_t$的差可以表示为一组角特征，如下:
$$\alpha =v\cdot n_t$$
$$\varphi =u\cdot \frac{(p_t-p_s)}{d}$$
$$\theta =arctan(w\cdot n_t,u\cdot n_t)$$
其中$d$为$p_s$,$p_t$两点之间的欧式距离，$d={\Vert {\mathbf{p}}_t-{\mathbf{p}}_s\Vert }_2$。对k邻域内的每对点计算四联体$⟨\alpha 、\varphi 、\theta 、d⟩$，从而将两点及其法线的12个值(xyz和法线信息)减少到4。
若要估算一对点的PFH四联体，请使用:

computePairFeatures (const Eigen::Vector4f &p1, const Eigen::Vector4f &n1,
                     const Eigen::Vector4f &p2, const Eigen::Vector4f &n2,
                     float &f1, float &f2, float &f3, float &f4);

有关更多细节，请参阅API文档。
为了为查询点创建最终的PFH表示，将所有四联体的集合绑定到一个直方图中。绑定流程将每个特性的值范围划分为b个子区间，并计算每个子区间内出现的次数。由于上述四个特征中有三个是法线夹角的度量，所以它们的值很容易在三角圆上归一化为相同的区间。绑定的一个例子是将每个特征区间划分为相同数量的相等部分，从而在完全相关的空间中创建一个$b^4$个箱子的直方图。在这个空间中，直方图增量对应于一个点，它的所有4个特性都有一定的值。下图展示了点不同点的点特征直方图表示示例。
在某些情况下，第四个特征d对于2.5D数据集(通常在机器人中获得)不具有极端意义，因为相邻点之间的距离从视点开始增加。因此，对于局部点密度影响特征维数的扫描，省略d被证明是有益的。

注意
有关更多信息和数学推导，包括对不同表面几何形状的PFH签名的分析，请参见Rusu论文

估计PFH特性

点特征直方图作为pcl_features库的一部分在PCL中实现。
默认PFH实现使用5面元细分(例如,每个的四个特性值将会在其取值区间划分这么多)，但不包括距离(像前面解释的那样,尽管computePairFeatures方法可以调用用户获得的距离,如果需要的话),结果在一个125字节的数组$(5^3)$浮点值。这些存储在pcl::PFHSignature125 point类型中。
下面的代码片段将为输入数据集中的所有点估计一组PFH特性。

#include <pcl/point_types.h>
#include <pcl/features/pfh.h>

{
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);
  pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal> ());

  ... read, pass in or create a point cloud with normals ...
  ... (note: you can create a single PointCloud<PointNormal> if you want) ...

  // 创建PFH估计类，并将输入数据集+法线传递给它
  pcl::PFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::PFHSignature125> pfh;
  pfh.setInputCloud (cloud);
  pfh.setInputNormals (normals);
  // 或者，如果cloud是tpe PointNormal，则执行pfh.setInputNormals(点云);

  // 创建一个空的kdtree表示，并将其传递给PFH估计对象。
  // 它的内容将根据给定的输入数据集填充到对象中(因为没有其他搜索表面)。
  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());
  //pcl::KdTreeFLANN<pcl::PointXYZ>::Ptr tree (new pcl::KdTreeFLANN<pcl::PointXYZ> ()); -- older call for PCL 1.5-
  pfh.setSearchMethod (tree);

  // 输出数据集
  pcl::PointCloud<pcl::PFHSignature125>::Ptr pfhs (new pcl::PointCloud<pcl::PFHSignature125> ());

  // 使用半径为5cm的球体中的所有邻点
  // 重点:这里使用的半径必须大于用于估计表面法线的半径!!
  pfh.setRadiusSearch (0.05);

  // 计算特性
  pfh.compute (*pfhs);

  // pfhs->points.size () 应该和cloud->points.size ()一致
}

来自pfhestimate类的实际计算调用在内部什么也不做，但是:

对于云中的每一点p
1. 得到p的最近邻
2. 对于每一对邻居，计算三个角值
3.将所有结果放入一个输出直方图中

若要从k邻域计算单个PFH表示，请使用:

computePointPFHSignature (const pcl::PointCloud<PointInT> &cloud,
                          const pcl::PointCloud<PointNT> &normals,
                          const std::vector<int> &indices,
                          int nr_split,
                          Eigen::VectorXf &pfh_histogram);

点云包含输入点,点云法线是输入点云法线(可以等于点云如果PointInT = PointNT = PointNormal),索引代表点云的k近邻，nr_split是细分的数量为每个特性的直方图过程使用间隔,和pfh_histogram输出结果直方图一样，是一个浮点值数组。

注意
由于效率的原因，PFHEstimation中的计算方法不检查法线是否包含NaN或无穷大值。将这些值传递给compute()将导致未定义的输出。建议至少在设计加工链或设置参数时检查法线。这可以通过在调用compute()之前插入以下代码来实现:

for (int i = 0; i < normals->points.size(); i++)
{
 if (!pcl::isFinite<pcl::Normal>(normals->points[i]))
 {
   PCL_WARN("normals[%d] is not finite\n", i);
 }
}

在编译代码中，应设置预处理步骤和参数，使法线是有限的或产生错误。