斯坦福的著名小兔子模型的点云数据_基于正交投影的点云局部特征描述详解

最新推荐文章于 2024-09-05 23:22:37 发布

weixin_39670857

最新推荐文章于 2024-09-05 23:22:37 发布

阅读量1.6k

点赞数 2

文章标签：斯坦福的著名小兔子模型的点云数据曲面积分的投影法点云的无序性

本文介绍了TOLDI，一种基于正交投影的3D点云局部特征描述方法，适用于点云无序、不规则的情况。TOLDI通过正交投影和局部坐标系建立，实现对噪声、点云分辨率变化的鲁棒性。文章详细阐述了LRF构建、TOLDI特征表达及其优势，并提供了相关数据集和评估方法的介绍。

摘要由CSDN通过智能技术生成

作者：小毛
Date：2020-05-07
来源：基于正交投影的点云局部特征描述详解

本次介绍一个发表于Pattern Recognition的经典三维点云描述子TOLDI，首先进行算法阐述，然后再给出数据集的介绍、局部参考坐标系与描述子的评估方法。

论文地址：Jiaqi Yang, QianZhang, Yang Xiao, Zhiguo Cao, “TOLDI: An effective and robust approach for 3Dlocal shape description”, Pattern Recognition, vol. 65, pp. 175–187, 2017.

源码地址：https://github.com/TaylorAmy1995/3D-feature-description.git

1.引言

影响点云局部特征描述能力和稳定性的因素主要包括几何属性的利用以及空间信息的解码。因为点云具有无序、不规则、无拓扑结构等特性，可以凭借三维到二维投影的方式来用多张二维图像表征三维点云的几何特征，图像的表征能提供稳定的信息解码，而多视角机制可以弥补投影导致的信息损失；对于空间信息的解码，意识到充分利用三维空间信息依赖于三维物理坐标系的构建，然而敏感器的坐标系没有抗旋转的能力，因此尝试在点云局部曲面构造了一个本征、抗旋转的局部坐标系。基于上述分析，本文介绍一种基于正交投影的点云局部特征描述（TOLDI）方法（相关成果发表于Pattern Recognition 2017）。

现有的点云局部特征主要分为两类：基于和非基于局部坐标系（local referenceframe，LRF）。对于非基于 LRF 的特征，它们主要利用局部几何属性的统计量作为特征表达，例如 SI 和 FPFH。由于该类特征抛弃了空间信息，存在描述能力不足的缺陷。与之相反，基于 LRF 的特征首先在点云局部曲面建立一个本征的 LRF，然后基于 LRF 来对几何信息进行解码，例如 PS 和 RoPS。LRF 是独立于世界坐标系的局部坐标系统，一方面使得基于其解码的特征具有刚体变换不变性，另一方面为特征描述提供充分的空间信息。最近的一项评估研究表明基于 LRF 的特征在大部分公共数据库中的性能都优于非基于 LRF 的特征。

在基于 LRF 的特征中，LRF 的构建和特征表达是至关重要的两点。其原因为：1）基于 LRF 特征的有效性以及鲁棒性是建立在其依赖的 LRF 本身的稳定性基础上；2）描述子的特征表达将直接影响描述子的鉴别能力。目前典型的 LRF 方法主要分为基于协方差分析（covariance analysis，CA）和点空间分布（point spatial distributions，PSD）两类。然而，大部分基于 CA 的LRF 方法存在符号二义性的问题，基于 PSD 的 LRF 方法对噪声和点云分辨率变化较为敏感。特征表达的重点在于探索一种有效且鲁棒的方式来解码隐含在点云局部曲面的几何信息。经典示例包括二维和一维的点密度表达、法向量夹角、局部深度以及这些表达的结合。但是，目前大部分特征表达仍然存在特征描述能力不足的问题，其主要是由于从三维到二维或一维投影带来的信息损失造成的。

对于上述问题，本文介绍一种称为正交投影（triple orthogonal localdepth images, TOLDI）的方法来获得有效、鲁棒且高效的特征描述。为了建立稳定的 LRF，该描述子利用关键点周围的部分邻域点集来计算其法向量并将该向量作为 LRF 的 z 轴；LRF 的x 轴是通过所有邻域点的投影向量和来计算的；为了达到对噪声、数据分辨率变化、嘈杂以及遮挡的鲁棒性，该方法为每个投影向量赋予权重；LRF 的 y 轴则是直接通过向量叉乘所得。对于特征表达，每个邻域点到一个虚拟平面的距离，或称为局部深度，被采用来表达一个视角下的局部几何信息。这种表达的优点在于对本征几何信息的保持和高效性。为了解决由于嘈杂或遮挡造成的信息损失，选取 LRF 中的三个正交视角平面来达到一种全面的信息描述。通过将这些局部深度特征串接为一维向量，即可得到最终的 TOLDI 特征。和许多之前需要点云曲面信息的方法不同，TOLDI 可以直接在点云中进行计算而不需要三角化的过程。主要贡献如下：

• 一种可重复性高和对噪声、点云分辨率变化、嘈杂、遮挡鲁棒的 LRF。其亦可受用于现有其它基于 LRF 的特征描述子来提升它们的匹配性能；

• 一个基于正交投影的 TOLDI 点云局部特征描述子，具有良好的区分性、鲁棒性和时效性。

2.正交投影特征描述

接下来将详述正交投影 TOLDI 描述子。首先，介绍一个可重复性高和稳健的 LRF；该 LRF 是基于法向量以及邻域点投影向量和所计算得到。在该 LRF 基础之上，介绍 TOLDI 特征表达；TOLDI 是通过虚拟视角平面选择、局部邻域点投影、