PCL三种关键点的理解NARF、Harris、Sift

关键点 keypoints

关键点是在场景中具有“特殊属性”的兴趣点，就像一本书的角落，或者一本书上写有“PCL”的字母“P”。或者，您也可以将每个点或子集作为关键点。“将两个kinect数据集直接输入到对应估计中”的问题是，每帧中有300k个点，因此可能有300k^2个对应点。

关键点定义： 关键点也称为兴趣点，它是2D图像、3D点云或曲面模型上，可以通过定义检测标准来获取的具有稳定性、区别性的点集。为了加快后续识别、追踪等数据的处理速度而存在。少量的关键点结合在一起，比原始点云或深度图数据量少很多但是又不失代表性和描述性。

[1] NARF（Normal Aligned Radial Feature）关键点是为了从深度图像中识别物体而提出的

关键点探测的重要一步是减少特征提取时的搜索空间，把重点放在重要的结构上，对 NARF 关键点提取过程有以下要求：

• 提取的过程必须考虑边缘以及物体表面变化信息
• 即使换了不同的视角，关键点的位置必须稳定的可以被重复探测
• 关键点所在的位置必须有稳定的支持区域，可以计算描述子和估计唯一的法向量。

为了满足上述要求，可以通过以下探测步骤来进行关键点提取：

1. 遍历每个深度图像点，通过寻找在近邻区域有深度突变的位置进行边缘检测；
2. 遍历每个深度图像点，根据近邻区域的表面变化决定一测度表面变化的系数，以及变化的主方向；
3. 根据第2步找到的主方向计算兴趣值，表征该方向与其他方向的不同，以及该处表面的变化情况，即该点有多稳定；
4. 对兴趣值进行平滑过滤；

[2] Harris算子是常见的特征检测算子，既可以提取角点也可以提取边缘点。与2D Harris角点检测原理不同，3D Harris角点检测利用的是点云法向量的信息。

3DHarris方块体内点数量变化确定角点
2DHarris里，使用了 图像梯度构成的 协方差矩阵。 每个像素点都有一个梯度，在一阶信息量的情况下描述了两个相邻像素的关系。显然这个思想可以轻易的移植到点云上来。

想象一下，如果在 点云中存在一点P
1、在p上建立一个局部坐标系：z方向是法线方向，x,y方向和z垂直。
2、在p上建立一个小正方体，不要太大，大概像材料力学分析应力那种就行
3、假设点云的密度是相同的，点云是一层蒙皮，不是实心的。

a、如果小正方体沿z方向移动，那小正方体里的点云数量应该不变
b、如果小正方体位于边缘上，则沿边缘移动，点云数量几乎不变，沿垂直边缘方向移动，点云数量改变
c、如果小正方体位于角点上，则有两个方向都会大幅改变点云数量

[3] Sift 关键点

图像处理基础（十三）Sift 关键点检测 - 知乎 (zhihu.com)