PCL学习笔记四：3D feature in PCL

介绍一下3D特征抽取

理论原型

Rusu在他的博士论文中讲到：点，在3D绘图系统中，是用笛卡尔坐标系下，相对给定原点的x，y，z值定义的。假定坐标系原点不随时间变化而改变，那么可能存在两个分别在t1和t2时刻得到的p1和p2点，具有相同的坐标。比较这些点实际是病态的，因为即使它们相对于某距离度量（如欧氏度量）相等，也可以是完全不同的表面上采样得到的，因而当与其附近其他点一同考虑时，代表着完全不同的信息。因为实际生活中，无法保证t1和t2之间世界没有改变。有些采集设备可能提供采样点额外信息，如采样点强度，surface remission value，颜色，但不能完全解决此问题，这种比较仍然模棱两可。

出于各种原因，为了用更好的特性和度量来区分几何表面，笛卡尔坐标系下的三维点作为一个单一实体的概念消失了，取而代之的是一个新的概念——局部描述子（local descriptor）。类似的概念还有shape descriptor，或geometric descriptor。本文后面描述时将称其为point feature representaion。

通过包括周围相邻点，采样暗含的曲面几何体可以从特征表达中推断出来。这有助于解决模糊比较的问题。在理想的情况下，对在相同或类似表面上的点，所得到的特征将非常相似（相对于一些度量）；不同表面上的点得到的特征不同。如下图所示。好的特征表示存在如下标准：

• 刚性变换 ——三维旋转和平移不影响所得特征向量F估计;
• 采样密度可变—— 局部曲面块采样密度变化，特征向量签名不变;
• 噪音—— 在存在轻度噪声的情况下， 特征向量不变。

一般，PCL用快速kd树查找法决定有多少点作为相邻点，需要：

• 决定哪k（用户输入参数）个作为相邻点（k-search）；
• 所有相邻点处于以目标点为球心，半径为r的球内(r-search).

（k，r的选取见Rusu的论文）

如何输入数据

setInputCloud (PointCloudConstPtr &)       -必选

setIndices (IndicesConstPtr &)                     -可选

setSearchSurface (PointCloudConstPtr &)   -可选

共四种可能，用到setSearchSurface()时，最常见的情况是输入数据量很大，想在keypoints或降维了的点云（pcl::VoxelGrid<T> filter）。做法是：setInputCloud(downsampled/keypoints)；setSearchSurface(the original data).

Normal Estimation表面法向量

综上，先搜索到临近点，再用来估计局部特征表现（最能描述被搜索点附近的几何曲面）。描述几何曲面，首先要解决的问题是——找出曲面在坐标系中的方向，即法向量。表面法向量在CG应用中经常用于计算光源，投影和其他视觉效果。由于实际得到的是曲面抽样点，以下两种计算法向量方法：

1. 从点云获取表面，生成表面mesh，再算法向量；
2. 从点云直接近似推出法向量。

下面用的是方法2。

理论基础

（未完待续。。。）