PCL点云NARF特征点

NARF: 3D Range Image Features for Object Recognition

NARF 全称 normal aligned radial feature(法线对齐的径向特征) 。是一种3D特征点检测和描述算法。下面将分别详述 NARF 特征点的提取和描述。

NARF特征点提取

NARF说了很多其实就是考虑以下两点：

• 考虑表面稳定性
• 考虑物体边缘处
  由以上的两个参考，NARF可以有如下特点：
• 提取出边缘点，这些点往往更加具有稳定性和可重复性
• 提取出Normal稳定的，也就是一些平面相对光滑平面和共面的点
• 所有操作都是基于2D的range image，计算量相比于直接操作点云要小

---

边缘点提取

步骤：

1. 使用启发式方法寻找不跨越边缘的相邻点的典型3D距离

1. 对每个深度图中的点p_i，创建窗口(核)边长为s，记住窗口内的领域点$N_{p_i}=n_1,n_2,\cdots ,n_{s^2}$
2. 计算p与他领域点的距离$D_{p_i}=d_0,d_1,\cdots ,d_{s^2},$然后对他们进行升序排列，$D_{p_i}^{\prime }=d_0^{\prime },d_1^{\prime },\cdots ,d_{s^2}^{\prime }$
3. 假设在$p_i$领域内，有n个点处于同一空间，那么选取$\delta =d_M^{\prime }$作为跳变距离，M可以如下： $M=(\frac{s+1}{2}{)}^2$,M也可以选取$d_i‘$的点作为M

2. 使用 (1) 得到的距离信息，计算该点是边缘点的可信度(score)

• 距离可信度需要从上下左右四个方向一一判断，我们这里只是考虑右边的情况，实际上其他方向也是一样的，没啥可多说的。

1. 计算平均距离点，这个点的采集数量自己定，文中采用$m_p=3$
   $$p_{right}=\frac{1}{m_p}\sum _{i=1}^{m_p}{p}_{x+i,y}$$
2. 计算当前与平均距离点的距离
   $$d_{right}=||p_{x,y}-p_{right}||$$
3. 计算可信度
   KaTeX parse error: Expected '}', got 'EOF' at end of input: …lta}{d_{right})
   那么$s_{right}$越大，那么这个点就越可能是边缘点

3. 如果是边缘点，将该点分为上述3类点中的一类

1. 确定$p_{x,y}$所属的类型，比较$p_{x.y}$和$p_{right}$,如果$p_{x,y}$小，表示可能是obstacle border,反之，就可能是 shadow border。当然上下左右的各种点都要考虑
2. 对所有可能是obstacle border的点,在2d平面右侧$m_p$范围内，找到3d距离最大的点作为对应的shadow border,发然后计算$s_{shadow}$(这个还是面向右侧的算法,$m_p$可以前面定下来的点，可以自己定下来)。最后对上面的$s_{right}做如下更新$
   $$s_{right}^{\prime }=max(0.9,1-(1-s_{shadow}{)}^3)\times s_{right}$$

4. 非极大抑制以获得精确的边缘点位置

现在我们有了可信度$s_{right}^{\prime }$,也有了范围s，那么我们就可以NMS来排除一些点了，先删除可信度在0.8以下的点，这个论文阈值定的就是这个，然后降序排序，从上到下，并交iou范围内的一些点删除，一一个都来下，详细请看NMS算法。最后对于每个选取到的点在$(p_{x-1,y},p_{x+1,y})$范围内进行获取极大值,然后认为这个点才是对应的obstacle bordrer

---

边缘点小结

通过以上内容，我们就可以获取边缘点了，下面需要根据以上的边缘点信息，来提取真正的关键点。

关键点提取

关键点必须考虑以下内容：

1. 必须考虑边缘和表面结构信息
2. 必须是能在不同视角下都能被检测到的点
3. 必须位于稳定的区域，从而可以得到的稳定的法向量

• 这里需要微分几何的相关知识，这里不做详细解释，但PCA方法比较容易我们大致介绍下：

4. 设m条n维的数据
   1. 将原始数据按列组成n行m列的矩阵X;
   2. 将X的每一行进行去均值化，
   3. 取出协方差矩阵 $C=\frac{1}{m}X{X}^T$
   4. 求出协方差矩阵的特征值及对应的特征向量
   5. 将特征向量按对应的特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P
   6. Y=PX就是降维到k维后的数据

• 步骤：

5. 估计法向量：对每一个点$p_i\in RangeImage$ ，在2D的$2\delta$范围内的点，计算他们的3D位置，然后估计他们的法向量,以及对应的相关幅度。

6. 对 range image 中的每一个点，计算一个表示其邻域表面变化的分数和这种变化的一个主方向(dominant direction)

   1. 计算主方向v和幅值$\lambda$, 对于borders point,v为边缘方向，对一其他点，v
      为主曲率方向，$\lambda$为对应的幅值。(我觉得应该就是上面对应的法向量和对应的特征值)
   2. 对于每个v，都有一个权值$w\in [0,1)$, 对borders point, $w=1$;对others point,$w=1-(1-\lambda {)}^3$
   3. 指定没一个参数$\sigma$,对于图像中的每个点p，找到其所有的欧式距离在$\frac{\sigma }{2}$内且中间不存在边缘(两点位于同一个平面的点)
   4. 对于任意$p_i$属于$N_{p_i}$,将$v_{p_i}$投影到一个平面P上(P为垂直于p到原点连线的一个平面),得到一个角度{${\alpha }_{p_1}$}($v_{p_1}$与平面的夹角？) 。对${\alpha }_{p_i}$做如下调整：
      $${\alpha }^{\prime }=\left\{\begin{array}{rl}2\times (\alpha -180)& for\alpha >90\\ 2\times (\alpha -180)& for\alpha >90\end{array}\right\}$$

7. 现在我们得到两幅图，长宽等于原来的图片，值分别是$w和\alpha$

8. 计算置信度
   $$I_1(p)=\underset{i}{\min }(1-w_{p_i}\times max(1-\frac{10\times ||p-p_i||}{\sigma },0))$$
   $$f(p_i)=\sqrt{w_{p_i}\times (1-|\frac{2\times ||p-p_i||}{\sigma }-\frac{1}{2}|}$$
   $$I_2(p)=\underset{i,j}{\max }(f(n_i)f(n_j)(1-|cos({\alpha }_{n_i}^{\prime }-{\alpha }_{n_j}^{\prime }|))$$
   $$I(p)=I_1(p)I_2(p)$$
   其中第三个公式中的i和j，只是p点领域内的点两两匹配。

NARF描述子计算