java三维滑雪_三维点云学习（7）5-Feature 实现ISS

三维点云学习(7)5-Feature 实现ISS

参考博客

数据集下载

效果图：

eg.文末有其他物体的效果图展示

airplane_0001

红色圆圈为 提取的特征点

可以看出特征点大致呈对称分布或分布于物体中轴线上：

主要coding思路：

特征点(关键点)

step1 使用radius NN 得到n个初始关键点, 确定 threshold 阈值

step2 随机选取一个关键点，寻找这个关键点的nearest 中的其他关键点，构成一个关键点群。 思路类似(DBSCAN)

step3 NMS 非极大抑制，比较 在一个关键点群中，每个关键点的 linda3，最大的linda3对应的点即定为这个关键点群的关键点

step4 iearation step2-step3

代码部分模块

构建点云坐标的协方差矩阵、求解cov特征值，并把特征值降序输出

def compute_cov_eigval(point_cloud):

x = np.asarray(point_cloud[:,0])

y = np.asarray(point_cloud[:,1])

z = np.asarray(point_cloud[:,2])

M = np.vstack((x, y, z)) # 每行表示一个属性， 每列代表一个点

cov = np.cov(M) # 使用每个点的坐标求解cov

eigval, eigvec = np.linalg.eigh(cov) # 求解三个特征值，升序排列 linda1 < linda2 < linda3

eigval = eigval[np.argsort(-eigval)] # 改为降序排列 linda1 > linda2 > linda3

return eigval #返回特征值

matplotlib显示点云函数

# matplotlib显示点云函数

def Point_Cloud_Show(point_cloud,feature_point):

fig = plt.figure(dpi=150)

ax = fig.add_subplot(111, projection='3d')

ax.scatter(point_cloud[:, 0], point_cloud[:, 1], point_cloud[:, 2], cmap='spectral', s=2, linewidths=0, alpha=1, marker=".")

ax.scatter(feature_point[:, 0], feature_point[:, 1], feature_point[:, 2], cmap='spectral', s=2, linewidths=5, alpha=1,marker=".",color='red')

plt.title('Point Cloud')

ax.set_xlabel('x')

ax.set_ylabel('y')

ax.set_zlabel('z')

plt.show()

主体 iss