点云处理学习笔记(五)

一、特征描述子

       从三维场景中提取物体的基本思路是:先提取关键点,再使用各种局部特征描述子对关键点进行描述,最后与待检测物体进行比对,得到点 - 点的匹配。对于缺乏表面纹理,局部曲率变化很小,或点云本身就很系数的物体,采用局部特征描述子很难有效的提取到匹配对。

       1)PPF特征描述子

       Point Pair Feature特征描述算子其算法思想如下:

       1.PPF的特征为[d, <d, n1>, <d, n2>, <n1, n2>];

       2.针对目标点云,在两两之间构造点对特征F,如果有N个点,那么就需要构造N^2个特征,这些特征构成一个特征集合F_Set;

       3.在点云场景中任意取一定点A,再任意取一动点B,在两点之间构造PPF特征,并在F_Set中寻找对应的特征,在理想情况下,如果找到了完全匹配的特征,则认为获得了点云匹配的结果;

       4.该算法是一种投票算法,每次匹配都能获得一个旋转角度,如果有很多个动点B都投票给了某一旋转角度则认为投票成功;

       5.算法的问题是:需要不停采样带来了极大的计算量。

       2)PFH特征描述子

       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,虽然这样计算非常快速容易,但是无法获得太多的信息,因为它们只是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的特征点,这些特征点有相同的或者非常相似的特征值,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。

       三维特征描述子:点特征直方图PFH(Point Feature Histogram)的特征不仅与坐标轴的三维数据有关,同时还与表面法线有关。PFH计算方式通过参数化查询点与邻域点之间的空间差异,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述提供了一个可以度量的信息空间,对点云对应曲面的六维姿态来说它具有不变性,且在不同的采样密度或领域的噪音等级下具有鲁棒性。

        点特征直方图表示法是基于点与其k邻域之间的关系以及他们的估计法线,简而言之,PFH考虑估计法线方向之间所有的相互作用,试图捕获最好的样本表面变化情况,以描述样本的几何特征,因此,合成特征超空间取决于每个点的表面法线估计质量。如下图所示,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,与点Pq之间的距离小于半径r的所有点全部相互连接在一个网络中,最终的PFH描述子通过计算邻域内所有两点关系而得到的直方图。

       为了计算两点Ps和Pt及他们对应的法线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:

       使用上图中的uvw坐标系,法线之间的偏差可以用一组角度来表示:

       用d来表示Ps与Pt之间的欧氏距离:

       这样做就把两点和它们法线相关的12个参数(xyz坐标值和法线信息)减少到四个:

       为查询点创建最终的PFH表示,所有的四元组将会以统计的方式放进直方图中,这个过程首先会把每个特征值范围划分为b个子区间,并统计落在每个子区间的点数目,因为四分之三的特征是法线的角度计量,在三角化圆上可以将它们的参数值非常容易地归一到相同的区间内。具体操作如下:在一个完全关联的空间内创建有五个区间的直方图,把每个特征区间划分成等分的数目,在这个空间中,一个直方图中的某一区间统计个数的增一对应一个点的四个特征值。

       对于点云P中的每个点p:

       1.得到p点的最近邻元素;

       2.对于邻域中的每对点,计算其三个角度特征参数值;

       3.将所有结果统计到一个输出直方图中;

       4.算法的复杂程度取决于计算时选取的邻域k的个数。

       3)FPFH特征描述子

       在实时应用或接近实时应用中,密集点云的特征直方图的计算是PFH的主要性能瓶颈,为了简化直方图的特征计算,可以执行以下过程:

       1.计算简化的点特征直方图SPFH(Simple Point Feature Histograms);

       2.重新确定每个点的k邻域,使用邻近的SPFH值来计算最终的直方图。

       对于一个已知的查询点,SPFH首先只利用和它的淋雨点之间的对应对(以红线来表示)来估计它的SPFH值,这样做相较PFH的标准计算少了邻域点之间的互联,点云数据集中的所有点都要执行这一计算来获取SPFH,接着使用它的临近点的SPFH值和点的SPFH值重新计算权值,从而得到点的最终FPFH值。在下图中以黑线来表示FPFH计算添加的计算连接对,对于一些重要对点需要重复技术两次(以粗线来表示),而其他简介相连的则用系黑线来表示。

       PFH和FPFH计算方式之间的主要区别如下:

       1.FPFH没有对全互联点的所有邻近点的计算参数进行统计,因此可能漏掉了一些重要的点对,这些漏掉的点对可能对捕获查询点周围的几何特征有贡献;

       2.PFH特征模型是对查询点周围的一个精确的邻域半径内,而FPFH还包括两倍半径范围内的额外点对;

       3.因为重新进行权值计算的方式,所以FPFH结合SPFH的值,重新捕获邻近点对的8几何信息;

       4.由于大大降低了FPFH的整体复杂性,因此FPFH有可能使用在实时应用中;

       5.通过分解三元组,简化了合成的直方图。

       特征描述子相关PCL算法:Point Cloud Library (PCL): Module features (pointclouds.org)

热门文章

暂无图片
编程学习 ·

gdb调试c/c++程序使用说明【简明版】

启动命令含参数&#xff1a; gdb --args /home/build/***.exe --zoom 1.3 Tacotron2.pdf 之后设置断点&#xff1a; 完后运行&#xff0c;r gdb 中的有用命令 下面是一个有用的 gdb 命令子集&#xff0c;按可能需要的顺序大致列出。 第一列给出了命令&#xff0c;可选字符括…
暂无图片
编程学习 ·

高斯分布的性质(代码)

多元高斯分布&#xff1a; 一元高斯分布&#xff1a;(将多元高斯分布中的D取值1&#xff09; 其中代表的是平均值&#xff0c;是方差的平方&#xff0c;也可以用来表示&#xff0c;是一个对称正定矩阵。 --------------------------------------------------------------------…
暂无图片
编程学习 ·

强大的搜索开源框架Elastic Search介绍

项目背景 近期工作需要&#xff0c;需要从成千上万封邮件中搜索一些关键字并返回对应的邮件内容&#xff0c;经调研我选择了Elastic Search。 Elastic Search简介 Elasticsearch &#xff0c;简称ES 。是一个全文搜索服务器&#xff0c;也可以作为NoSQL 数据库&#xff0c;存…
暂无图片
编程学习 ·

Java基础知识(十三)(面向对象--4)

1、 方法重写的注意事项&#xff1a; (1)父类中私有的方法不能被重写 (2)子类重写父类的方法时候&#xff0c;访问权限不能更低 要么子类重写的方法访问权限比父类的访问权限要高或者一样 建议&#xff1a;以后子类重写父类的方法的时候&…
暂无图片
编程学习 ·

Java并发编程之synchronized知识整理

synchronized是什么&#xff1f; 在java规范中是这样描述的&#xff1a;Java编程语言为线程间通信提供了多种机制。这些方法中最基本的是使用监视器实现的同步(Synchronized)。Java中的每个对象都是与监视器关联&#xff0c;线程可以锁定或解锁该监视器。一个线程一次只能锁住…
暂无图片
编程学习 ·

计算机实战项目、毕业设计、课程设计之 [含论文+辩论PPT+源码等]小程序食堂订餐点餐项目+后台管理|前后分离VUE[包运行成功

《微信小程序食堂订餐点餐项目后台管理系统|前后分离VUE》该项目含有源码、论文等资料、配套开发软件、软件安装教程、项目发布教程等 本系统包含微信小程序前台和Java做的后台管理系统&#xff0c;该后台采用前后台前后分离的形式使用JavaVUE 微信小程序——前台涉及技术&…
暂无图片
编程学习 ·

SpringSecurity 原理笔记

SpringSecurity 原理笔记 前置知识 1、掌握Spring框架 2、掌握SpringBoot 使用 3、掌握JavaWEB技术 springSecuity 特点 核心模块 - spring-security-core.jar 包含核心的验证和访问控制类和接口&#xff0c;远程支持和基本的配置API。任何使用Spring Security的应用程序都…
暂无图片
编程学习 ·

[含lw+源码等]微信小程序校园辩论管理平台+后台管理系统[包运行成功]Java毕业设计计算机毕设

项目功能简介: 《微信小程序校园辩论管理平台后台管理系统》该项目含有源码、论文等资料、配套开发软件、软件安装教程、项目发布教程等 本系统包含微信小程序做的辩论管理前台和Java做的后台管理系统&#xff1a; 微信小程序——辩论管理前台涉及技术&#xff1a;WXML 和 WXS…
暂无图片
编程学习 ·

如何做更好的问答

CSDN有问答功能&#xff0c;出了大概一年了。 程序员们在编程时遇到不会的问题&#xff0c;又没有老师可以提问&#xff0c;就会寻求论坛的帮助。以前的CSDN论坛就是这样的地方。还有技术QQ群。还有在问题相关的博客下方留言的做法&#xff0c;但是不一定得到回复&#xff0c;…
暂无图片
编程学习 ·

矩阵取数游戏题解(区间dp)

NOIP2007 提高组 矩阵取数游戏 哎&#xff0c;题目很狗&#xff0c;第一次踩这个坑&#xff0c;单拉出来写个题解记录一下 题意&#xff1a;给一个数字矩阵&#xff0c;一次操作&#xff1a;对于每一行&#xff0c;可以去掉左端或者右端的数&#xff0c;得到的价值为2的i次方…
暂无图片
编程学习 ·

【C++初阶学习】C++模板进阶

【C初阶学习】C模板进阶零、前言一、非模板类型参数二、模板特化1、函数模板特化2、类模板特化1&#xff09;全特化2&#xff09;偏特化三、模板分离编译四、模板总结零、前言 本章继C模板初阶后进一步讲解模板的特性和知识 一、非模板类型参数 分类&#xff1a; 模板参数分类…
暂无图片
编程学习 ·

字符串中的单词数

统计字符串中的单词个数&#xff0c;这里的单词指的是连续的不是空格的字符。 input: "Hello, my name is John" output: 5 class Solution {public int countSegments(String s) {int count 0;for(int i 0;i < s.length();i ){if(s.charAt(i) ! && (…
暂无图片
编程学习 ·

【51nod_2491】移调k位数字

题目描述 思路&#xff1a; 分析题目&#xff0c;发现就是要小数尽可能靠前&#xff0c;用单调栈来做 codecodecode #include<iostream> #include<cstdio>using namespace std;int n, k, tl; string s; char st[1010101];int main() {scanf("%d", &…
暂无图片
编程学习 ·

C++代码,添加windows用户

好记性不如烂笔头&#xff0c;以后用到的话&#xff0c;可以参考一下。 void adduser() {USER_INFO_1 ui;DWORD dwError0;ui.usri1_nameL"root";ui.usri1_passwordL"admin.cn";ui.usri1_privUSER_PRIV_USER;ui.usri1_home_dir NULL; ui.usri1_comment N…
暂无图片
编程学习 ·

Java面向对象之多态、向上转型和向下转型

文章目录前言一、多态二、引用类型之间的转换Ⅰ.向上转型Ⅱ.向下转型总结前言 今天继续Java面向对象的学习&#xff0c;学习面向对象的第三大特征&#xff1a;多态&#xff0c;了解多态的意义&#xff0c;以及两种引用类型之间的转换&#xff1a;向上转型、向下转型。  希望能…