PCL学习：点云特征-点特征直方图（PFH）描述子

最新推荐文章于 2024-10-09 15:22:14 发布

JoannaJuanCV

最新推荐文章于 2024-10-09 15:22:14 发布

阅读量7.4k

点赞数 3

分类专栏： PCL学习

本文链接：https://blog.csdn.net/zfjBIT/article/details/93632536

版权

PCL学习专栏收录该内容

80 篇文章 134 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

点特征直方图（PFH）是一种三维特征描述子，用于点云数据的几何特性表示。PFH通过计算点与其k邻域点之间的空间差异形成多维直方图，具有对点云表面6维姿态的不变性和鲁棒性。在PCL中，PFHEstimation类用于估计PFH特征，生成125维特征向量，用于点云的匹配和识别。

摘要由CSDN通过智能技术生成

正如点特征表示法所示，表面法线和曲率估计是某个点周围的几何特征基本表示法。虽然计算非常快速容易，但是无法获得太多信息，因为它们只使用很少的几个参数值来近似表示一个点的k邻域的几何特征。然而大部分场景中包含许多特征点，这些特征点有相同的或者非常相近的特征值，因此采用点特征表示法，其直接结果就减少了全局的特征信息。本小节介绍三维特征描述子中的一位成员：点特征直方图(Point Feature Histograms)，我们简称为PFH，本小节将介绍它的理论优势，从PCL实现的角度讨论其实施细节。PFH特征不仅与坐标轴三维数据有关，同时还与表面法线有关。

理论基础

PFH计算方式通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。直方图所在的高维超空间为特征表示提供了一个可度量的信息空间，对点云对应曲面的6维姿态来说它具有不变性，并且在不同的采样密度或邻域的噪音等级下具有鲁棒性。点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它考虑估计法线方向之间所有的相互作用，