很久沒有更新相關內容了，很多朋友過來私信我，但由於時間問題，不能一一為大家解答，本人也不是無所不知的大神，還請各位諒解。
本文主要總結PCL中3D特征點的相關內容，該部分內容在PCL庫中都是已經集成的在pcl_feature模塊中，該模塊包含用於點雲數據進行3D特征估計的數據結構以及原理機制，3D特征點是3D點的三維空間中的位置的表示，該點周圍信息一般具有一定的幾何性質。
舉個例子：廣泛使用的幾何點特征的示例是下圖的表面在查詢點p處的估計曲率和法線。被認為是局部特征，因為它們使用由其k個最近點鄰居提供的信息來表征點。
為了有效地確定這些鄰居，輸入數據集通常使用空間分解技術（例如八叉樹或kD樹）分割成更小的塊（ 左：kD-tree，右：八叉樹），然后執行在那個空間里最近點搜索。
本文概述了在PCL中實現的所有特征點算法
這里列出了關於各種特征點性質屬性的表格，以及應用的場景領域，
| Feature Name | Supports Texture / Color | Local / Global / Regional | Best Use Case |
|---|---|---|---|
| PFH | No | L | |
| FPFH | No | L | 2.5D Scans (Pseudo single position range images) |
| VFH | No | G | Object detection with basic pose estimation |
| CVFH | No | R | Object detection with basic pose estimation, detection of partial objects |
| RIFT | Yes | L | Real world 3D-Scans with no mirror effects. RIFT is vulnerable against flipping. |
| RSD | No | L | |
| NARF | No | L | 2.5D (Range Images) |
PFH (Point Feature Histogram)
是一種局部特征點，PFH擴展了先前關於Surflet-Pair-Relation Histograms的工作（Wahl等人）。
- Surflet-pair-relation histograms: a statistical 3D-shape representation for rapid classification
輸入格式：
（1）由一組帶有方向的點P組成的點雲。有方向意味着所有點都具有正常的N（法向量）。
（2）此功能不使用顏色信息。
工作原理：
（1）迭代點雲P中的點。
（2）對於輸入雲中的每個點Pi（i是迭代索引），收集具有半徑r的Pi周圍的球體內的所有相鄰點。 這個集合稱為Pik（k為k個鄰居）
（3）循環關於Pik中的兩對點，比如p1和p2。 法線與矢量p1-p2的角度較小的點是源點ps，另一個是目標點pt。
（4）計算四個特征，它們一起表示目標點pt處的平均曲率。 將它們組合並放入等效的直方圖箱中。 有關特征計算的更多詳細信息，請參閱原始論文：http：//www.willowgarage.com/papers/learning-informative-point-classes-acquisition-object-model-maps
簡短概述：
（1）為P中的所有的點雲計算法線
（2）估計P中的點Pi的特征：獲取圍繞點Pi（Pik）的半徑r中的k個鄰居的集合。在兩點之間計算四個特征。相應的bin增加1.生成點特征直方圖（PFH）。
（3）將得到的直方圖組與其他點雲的組進行比較，以便找到對應關系。
FPFH (Fast Point Feature Histogram)
FPFH也是一種局部特征點，且是PFH（Point Feature Histogram）的一種擴展描述
輸入格式：
（1）由一組定向點P組成的點雲。定向意味着所有點都具有正常的n（法向量）。
（2）此功能不使用顏色信息。（這些都和PFH一樣的要求）
工作原理：
由於FPFH來自PFH，因此它的工作方式非常相似。但是有一些優化步驟使FPFH更快。
（1）迭代點雲集 P 中的所有點雲。
（2）對於輸入點雲中的每個點Pi（i是迭代索引），收集具有半徑r的Pi周圍的球體內的所有相鄰點。這個集合稱為Pik（k為k個鄰居）
（3）該循環僅將點Pi與其每個鄰居相關聯（記住在PFH中，循環將生成Pi對及其鄰居以及_Pi_s鄰居之間！）。在這樣的一對中，法線與矢量p1-p2的角度小的點是源點ps，另一個是目標點pt。
（3）計算三個特征（PFH中的四個，Ps和Pt之間的距離被遺漏），它們一起表示目標點pt處的平均曲率。將它們組合並放入等效的直方圖箱中。
（4）與FPFH中一樣，僅考慮查詢點Pi與其鄰居之間的直接對（計算量少得多），得到的直方圖稱為SPFH（簡單點特征直方圖）。
（5）最后一步是新的：要重新補償“丟失”連接，相鄰的SPFH將根據其空間距離添加到Pi的SPFH中。有關特征計算的更多詳細信息，請參閱原始論文：http：//files.rbrusu.com/publications/Rusu09ICRA.pdf
簡短概述：
（1）為P中的所有點計算法線
（2）估計P中的點Pi的特征：獲取圍繞點Pi（Pik）的半徑r中的k個鄰居的集合。在兩點之間計算三個特征（僅在Pi與其鄰居之間！）。相應的bin增加1.生成簡單的點特征直方圖（SPFH）。
（3）為了達到更多的點和連接（最多2次r），鄰居的SPFH根據它們的空間距離加以加權作為最后一步。
（4）可以將得到的直方圖組與其他點雲的組進行比較，以便找到對應關系。
VFH (Viewpoint Feature Histogram)
VFH是一種全局特征點，擴展了FPFH的一種方法。
輸入格式：
（1）由一組定向點P組成的點雲。定向意味着所有點都具有正常的n法向量。
（2）此功能不使用顏色信息。
工作原理：
（1）計算點雲的質心pc及其法向量nc。計算視點和質心之間的向量vc並對其進行標准化。
（2）VFH由兩部分組成：視點部分和擴展的FPFH模塊。
（3）要映射視點分量，迭代P中的所有點雲，並計算它們的法線以及vc之間的角度。增加相應的直方圖bin。
（4）對於擴展的FPFH組件，只需計算質心pc處的FPFH，將整個周圍點雲P設置為鄰居。
（5）將兩個直方圖一起添加。
（6）有關特征計算的更多詳細信息，請參閱原始論文：http：//www.willowgarage.com/sites/default/files/Rusu10IROS.pdf
簡短概述：
（1）估算點雲中的質心及其法線。計算視點和視點之間的歸一化矢量vc。
（2）對於所有點，計算它們的法線和vc之間的角度。
（3）估算質心的FPFH，將所有剩余點設置為鄰居。
CVFH (Clustered Viewpoint Feature Histogram)
CVFH是一種基於區域描述的特征點，也是基於VHF擴展的方法。
輸入格式：（和上述一樣的輸入）
（1）由一組定向點P組成的點雲。定向意味着所有點都具有正常的法向量n。
（2）此功能不使用顏色信息。
工作原理：
（1）由於遮擋和傳感器限制，我們使用傳感器獲取的是物體的2.5D點雲數據，一旦缺失部分點雲，計算整個點雲的點和正常質心的結果可能完全不同。這就是為什么一旦點雲中缺少必要點，VFH描述符也就會完全不同。
（2）CVFH創建穩定的集群區域。從點雲P開始，新的簇Ci從尚未分配給任何簇的隨機點Pr開始。如果Ci中存在點Pj，則P中的每個點Pi被分配給該簇，使得它們的法線類似並且它們處於直接鄰域中（比較角度和距離閾值）。聚類簇群太少的集群被拒絕或忽略。
（3）計算每個群集上的VFH。
（4）為每個直方圖添加形狀分布，表示點如何圍繞質心分布。
（5）有關特征計算的更多詳細信息，請參閱原始論文：http：//ieeexplore.ieee.org/xpl/articleDetails.jsp？numumber = 6130296
簡短概述
（1）將點雲細分為具有相似法線的相鄰點的聚類（穩定區域）。
（2）計算每個群集的VFH。
（3）將形狀分布組件（SDC）添加到每個直方圖。
RIFT (Rotation-Invariant Feature Transform)
RIFT是一種局部特征描述法，且該方法擴展於SIFT。參考論文
- Object recognition from local scale-invariant features (http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=790410&tag=1)
輸入格式：
（1）由一組紋理點組成的點雲P. 沒有紋理，此功能不會產生任何可用的結果。
（2）強度梯度計算，參考：
http：//docs.pointclouds.org/trunk/classpcl_1_1_intensity_gradient_estimation.html
工作原理：
（1）迭代點雲P中的所有點。
（2）對於輸入點雲中的每個點Pi（i是迭代索引），收集具有半徑r的Pi周圍的球體內的所有相鄰點。這個集合稱為Pik（k為k個鄰居）
（3）具有n個片段的假想圓（球體的垂直於Pi的法線的投影）適合於表面。這里n對應於實現中的距離 bin 的數量。
（4）Pi的所有鄰居根據它們的距離d <n和梯度角位置θ<g（g表示實現中的梯度區的數量）被分配給直方圖區間。 θ是梯度方向和從中心向外指向圓的矢量之間的角度。
有關特征計算的更多詳細信息，請參閱原始論文：http：//hal.inria.fr/docs/00/54/85/30/PDF/lana_pami_final.pdf
簡短概述
（1）對於P樣本中的每個點Pi，Pi周圍的所有k個鄰居。
（2）根據距離d和它們的梯度角θ將所有鄰居分配給直方圖。
（3）可以將得到的直方圖組與其他點雲的組進行比較，以便找到對應關系。
未完待續。。。
注意：以上內容如有錯誤或者需要補充的，請留言！同時歡迎大家關注微信公眾號,積極分享投稿，做到大家一起分享，拒絕只做個伸手黨！或者加入3D視覺微信或QQ交流群，一起交流分享! 投稿或聯系群主郵箱：dianyunpcl@163.com
原創不易，轉載請聯系群主，注明出處
