前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >3D 特征点概述(1)

3D 特征点概述(1)

作者头像
点云PCL博主
发布2019-07-30 16:50:34
1.1K0
发布2019-07-30 16:50:34
举报
文章被收录于专栏:点云PCL

本文主要总结PCL中3D特征点的相关内容,该部分内容在PCL库中都是已经集成的在pcl_feature模块中,该模块包含用于点云数据进行3D特征估计的数据结构以及原理机制,3D特征点是3D点的三维空间中的位置的表示,该点周围信息一般具有一定的几何性质。

举个例子:广泛使用的几何点特征的示例是下图的表面在查询点p处的估计曲率和法线。被认为是局部特征,因为它们使用由其k个最近点邻居提供的信息来表征点。

为了有效地确定这些邻居,输入数据集通常使用空间分解技术(例如八叉树或kD树)分割成更小的块( 上:kD-tree,下:八叉树),然后执行在那个空间里最近点搜索。

本文概述了在PCL中实现的所有特征点算法

这里列出了关于各种特征点性质属性的表格,以及应用的场景领域,

PFH (Point Feature Histogram)

是一种局部特征点,PFH扩展了先前关于Surflet-Pair-Relation Histograms的工作(Wahl等人)。

Surflet-pair-relation histograms: a statistical 3D-shape representation for rapid classification

输入格式:

(1)由一组带有方向的点P组成的点云。有方向意味着所有点都具有正常的N(法向量)。

(2)此功能不使用颜色信息。

工作原理:

(1)迭代点云P中的点。 (2)对于输入云中的每个点Pi(i是迭代索引),收集具有半径r的Pi周围的球体内的所有相邻点。 这个集合称为Pik(k为k个邻居) (3)循环关于Pik中的两对点,比如p1和p2。 法线与矢量p1-p2的角度较小的点是源点ps,另一个是目标点pt。 (4)计算四个特征,它们一起表示目标点pt处的平均曲率。 将它们组合并放入等效的直方图箱中。 有关特征计算的更多详细信息,请参阅原始论文:http://www.willowgarage.com/papers/learning-informative-point-classes-acquisition-object-model-maps

简短概述: (1)为P中的所有的点云计算法线 (2)估计P中的点Pi的特征:获取围绕点Pi(Pik)的半径r中的k个邻居的集合。在两点之间计算四个特征。相应的bin增加1.生成点特征直方图(PFH)。 (3)将得到的直方图组与其他点云的组进行比较,以便找到对应关系。

FPFH (Fast Point Feature Histogram)

FPFH也是一种局部特征点,且是PFH(Point Feature Histogram)的一种扩展描述

输入格式:

(1)由一组定向点P组成的点云。定向意味着所有点都具有正常的n(法向量)。 (2)此功能不使用颜色信息。(这些都和PFH一样的要求)

工作原理: 由于FPFH来自PFH,因此它的工作方式非常相似。但是有一些优化步骤使FPFH更快。

(1)迭代点云集 P 中的所有点云。 (2)对于输入点云中的每个点Pi(i是迭代索引),收集具有半径r的Pi周围的球体内的所有相邻点。这个集合称为Pik(k为k个邻居) (3)该循环仅将点Pi与其每个邻居相关联(记住在PFH中,循环将生成Pi对及其邻居以及_Pi_s邻居之间!)。在这样的一对中,法线与矢量p1-p2的角度小的点是源点ps,另一个是目标点pt。 (3)计算三个特征(PFH中的四个,Ps和Pt之间的距离被遗漏),它们一起表示目标点pt处的平均曲率。将它们组合并放入等效的直方图箱中。 (4)与FPFH中一样,仅考虑查询点Pi与其邻居之间的直接对(计算量少得多),得到的直方图称为SPFH(简单点特征直方图)。 (5)最后一步是新的:要重新补偿“丢失”连接,相邻的SPFH将根据其空间距离添加到Pi的SPFH中。有关特征计算的更多详细信息,请参阅原始论文:http://files.rbrusu.com/publications/Rusu09ICRA.pdf

简短概述: (1)为P中的所有点计算法线 (2)估计P中的点Pi的特征:获取围绕点Pi(Pik)的半径r中的k个邻居的集合。在两点之间计算三个特征(仅在Pi与其邻居之间!)。相应的bin增加1.生成简单的点特征直方图(SPFH)。 (3)为了达到更多的点和连接(最多2次r),邻居的SPFH根据它们的空间距离加以加权作为最后一步。 (4)可以将得到的直方图组与其他点云的组进行比较,以便找到对应关系。

VFH (Viewpoint Feature Histogram)

VFH是一种全局特征点,扩展了FPFH的一种方法。

输入格式:

(1)由一组定向点P组成的点云。定向意味着所有点都具有正常的n法向量。 (2)此功能不使用颜色信息。

工作原理:

(1)计算点云的质心pc及其法向量nc。计算视点和质心之间的向量vc并对其进行标准化。 (2)VFH由两部分组成:视点部分和扩展的FPFH模块。 (3)要映射视点分量,迭代P中的所有点云,并计算它们的法线以及vc之间的角度。增加相应的直方图bin。 (4)对于扩展的FPFH组件,只需计算质心pc处的FPFH,将整个周围点云P设置为邻居。 (5)将两个直方图一起添加。 (6)有关特征计算的更多详细信息,请参阅原始论文:http://www.willowgarage.com/sites/default/files/Rusu10IROS.pdf

简短概述: (1)估算点云中的质心及其法线。计算视点和视点之间的归一化矢量vc。 (2)对于所有点,计算它们的法线和vc之间的角度。 (3)估算质心的FPFH,将所有剩余点设置为邻居。

CVFH (Clustered Viewpoint Feature Histogram)

CVFH是一种基于区域描述的特征点,也是基于VHF扩展的方法。

输入格式:(和上述一样的输入)

(1)由一组定向点P组成的点云。定向意味着所有点都具有正常的法向量n。 (2)此功能不使用颜色信息。

工作原理: (1)由于遮挡和传感器限制,我们使用传感器获取的是物体的2.5D点云数据,一旦缺失部分点云,计算整个点云的点和正常质心的结果可能完全不同。这就是为什么一旦点云中缺少必要点,VFH描述符也就会完全不同。 (2)CVFH创建稳定的集群区域。从点云P开始,新的簇Ci从尚未分配给任何簇的随机点Pr开始。如果Ci中存在点Pj,则P中的每个点Pi被分配给该簇,使得它们的法线类似并且它们处于直接邻域中(比较角度和距离阈值)。聚类簇群太少的集群被拒绝或忽略。 (3)计算每个群集上的VFH。 (4)为每个直方图添加形状分布,表示点如何围绕质心分布。 (5)有关特征计算的更多详细信息,请参阅原始论文:http://ieeexplore.ieee.org/xpl/articleDetails.jsp?numumber = 6130296

简短概述 (1)将点云细分为具有相似法线的相邻点的聚类(稳定区域)。 (2)计算每个群集的VFH。 (3)将形状分布组件(SDC)添加到每个直方图。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-07-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 点云PCL 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
图像处理
图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档