点特征直方图（PFH）描述子原理

PFH与前面法线特征估计相比：

随着点特征表示的进行，表面法线和曲率估计在表示特定点周围的几何形状方面有些基本。尽管计算速度极快且易于计算，但它们无法捕获太多细节，因为它们仅用几个值来近似点的 k 邻域的几何形状。

在大多数场景中，因为很多点有着相似的几何特征和非常近似的特征值，因此如果仅使用点特征表示法的话，会减少全局的特征信息。因为单纯的点特征表示法不能得到此点整个邻域上的法线之间的相互作用结果。

点特征直方图（PFH）不仅与此点的三维数据有关系，同时与它及其近邻的点的法线之间的作用关系有关，所以会更加准确。

理论入门：

PFH 公式的目标是通过使用值的多维直方图概括点周围的平均曲率来编码点的 k 邻域几何特性。这种高维超空间为特征表示提供了信息签名，对底层表面的 6D 位姿不变，并且很好地应对了邻域中存在的不同采样密度或噪声水平。

点特征直方图表示基于 k 邻域中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来尽可能地捕捉采样的表面变化。因此，生成的超空间取决于每个点的表面法线估计的质量。

如图所示，表示的是一个查询点(Pq) 的PFH计算的影响区域，Pq 用红色标注并放在圆球的中间位置，半径为r， (Pq)的所有k邻元素（即与点Pq的距离小于半径r的所有点）全部互相连接在一个网络中。最终的PFH描述子通过计算邻域内所有两点之间关系而得到的直方图，因此存在一个O(k) 的计算复杂性。

 

为了计算两点Pi和Pj及与它们对应的法线Ni和Nj之间的相对偏差，在其中的一个点上定义一个固定的局部坐标系，如下图所示

 

使用上面的uvwn_s框架，两个法线之间的差异 n_t可以表示为一组角度特征，如下所示：

 

其中d是两点之间的欧几里得距离 ps,pt, 。为 k 邻域中的每对两个点计算四元 组，因此将两个点及其法线的 12 个值（xyz 和法线信息，此处是12应该是xyz三点坐标值以及法线对应xyz的三个分量，每个点都是6个，对应两个点就是12个）减少到 4（三个对应的角度加上两点的距离）。

为了为查询点创建最终的 PFH 表示，将所有四元组的集合分箱成一个直方图。分箱过程将每个特征的取值范围划分为b个细分，并统计每个子区间的出现次数。由于上述四个特征中的三个是法线之间角度的度量，因此它们的值可以很容易地归一化为三角圆上的相同间隔。一个分箱示例是将每个特征区间分成相同数量的相等部分，因此创建一个直方图b^4完全相关空间中的 bin。在这个空间中，直方图 bin 增量对应于一个点，其所有 4 个特征都具有特定值。使用传感器获取点云后，对于d这个参数，对于距离视点较近的点集更为密集，较远的则较为稀疏，因此，对于局部点密度因视点变化的情况，省略d参数是更有益的。