文章Coarse Alignment for Model Fitting of Point Clouds Using a Curvature-Based Descriptor解读五自动生成关键点参数

自动生成关键点参数：

在处理大量点云的时候，人为手动设置参数势必会严重影响处理速度。

因此，分析点云，自动判断哪些点相对更有独特性，然后基于此计算出关键点的参数。用下面的公式对点云的点进行排序

其中是临近点集的点数，由式(13~15)分别计算得到。参考文章Coarse Alignment for Model Fitting of Point Clouds Using a Curvature-Based Descriptor解读四选择特征点ethod。因为所以如果或者则F=0，代表一个非常特殊的点。F=1/3，意味着，意味着这是F的最大值。不是唯一点。

通过对点云中的每个点按照公式的值从低到高进行排序。我们可以选择k个最低值的点，作为关键点。即：

其中k是自定义的值。为了从Y点云采集到与点云X相同类型的关键点，的到与相同的结果：

为此，执行以下算法：

其中是点云X中最低s中的k个点上述伪代码中的算法快速的将关键点分为三组，是分别为最大时的点集，这个算法对每一组的进行检测，如果值较小，则赋值给对应的。

这样就可以对进行设置。可以替代手动设置参数。可以用在观测点云Y中选取关键点。但是不能从得到，依然依赖点云Y的点密度。然而，除非X跟Y的点云密度有显著差异，否则就可以设置X跟Y一样的。

下一篇，解读关键点新的描述的产生。是本文的重点创新