PointCloudLib-特征（Features）-RoPs（旋转投影统计）功能

在本教程中，我们将学习如何使用 pcl：：ROPSEstimation 类来提取点特征。 该类中实现的特征提取方法由郭玉兰、费多斯·索赫尔、穆罕默德·本纳蒙、卢敏和 万建伟在他们的文章“三维局部表面描述和物体识别的旋转投影统计”

理论入门

特征提取方法的思路如下。 有了网格和一组必须计算特征的点，我们执行一些简单的步骤。首先对于给定的兴趣点 裁剪局部表面。局部曲面由给定支撑半径内的点和三角形组成。 对于给定的局部表面，计算LRF（局部参考系）。LRF 只是矢量的三元组， 有关如何计算这些向量的全面信息，您可以在文章中找到。 真正重要的是，使用这些向量，我们可以提供云旋转的不变性。为此，我们只需 平移局部表面的点，使兴趣点成为原点，之后我们旋转局部表面，以便 LRF 矢量与 Ox、Oy 和 Oz 轴对齐。完成此操作后，我们开始特征提取。 对于每个轴 Ox、Oy 和 Oz，执行以下步骤，我们将这些轴称为当前轴：

局部表面绕当前轴旋转给定角度;

旋转局部表面的点投影到三个平面 XY、XZ 和 YZ 上;

对于构建的每个投影分布矩阵，该矩阵仅显示落在每个条柱上的点数。

箱数表示矩阵维度，是算法的参数，以及支撑半径;计算每个分布矩阵的中心矩：M11，M12，M21，M22，E。这里E是香农熵;然后将计算值连接起来形成子要素。

我们多次循环访问这些步骤。迭代次数取决于给定的旋转次数。 不同轴的子特征被连接起来，形成最终的 RoPS 描述符。

代码

在本教程中，我们将使用女王数据集中的模型。您可以选择任何其他点云，但为了使 代码工作 您需要使用三角测量算法才能获得多边形。您可以在此处找到建议的模