《中国人工智能学会通讯》——11.10 点云局部特征描述子基准评估体系

11.10 点云局部特征描述子基准评估体系

过去 20 年间，业界提出了大量的点云局部特征描述算法，但这些算法大多采用各自的测试数据集及测试准则，目前尚没有一个基准评估体系。针对此，本文设计了一个点云局部特征描述子基准评估体系[3] 。首先，采用来自Minolta Vivid、立体视觉、Space Time，以及 Kinect 等多种传感器的 8 个数据集构成了测试数据集；其次，设计了对特征鉴别力、特征紧凑性、特征可扩展性、与关键点检测子的组合性能、特征计算效率，以及特征描述子对支撑半径、高斯噪声、逸出噪声、分辨率变化、Mesh 边界、关键点定位误差、遮挡与背景干扰等的稳健性评估指标；最后，对 10 个主流局部特征描述子进行了综合评估，得到了如下主要结论。

(1) 针对运算时间要求较高的应用场合，FPFH和 SHOT 是最优选择。当局部表面上的点较少时，FPFH 是最佳选择。这是由于 FPFH 鉴别力强、运算速度快且占用存储资源少。当局部表面上的点较多时，SHOT 是不错的选择，其在鉴别力与计算效率之间能取得很好的折衷。

(2) 针对存储空间要求较高的应用场合，FPFH和 RoPS 是最优选择。FPFH 只有 33 维，RoPS 虽然维度稍高，但其鉴别力却优于 FPFH。

(3) 针对系统精度要求较高的应用场合，RoPS是最优的选择。这是由于 RoPS 鉴别力优于其他特征描述子。

(4) 针对数据特性未知的场合，可以首先尝试RoPS 特征描述子，因为 RoPS 在不同数据集上均能取得不错的性能。

(5) 针对模型数据集较大的应用场合，TriSI 是最佳选择。TriSI 具有良好的可扩展性，且其计算和存储开销较小。

(6) 当特征描述子与关键点检测子组合使用时，推荐使用 ISS-BR 关键点检测算法。

(7) 大部分现有特征描述子在低精度和高噪声数据集 ( 如 Kinect、 Dense Stereo) 上的性能均不理想，未来需要着重研究低质量数据下的特征描述问题。

(8) 大部分现有点云局部特征描述子依然采用手工提取，虽然近几年有部分工作尝试采用深度学习模型，但进展依然较小，尚需进一步深入研究。