一、概要
点云特征提取是3D计算机视觉中的关键步骤,用于识别和描述点云中的显著特征。以下是几种常见的点云特征提取方法:
1.1 Harris
- Harris角点检测:最初用于2D图像,通过计算像素灰度变化来检测角点。在3D点云中,Harris通过分析点云曲率或法向量变化来检测角点。
- 应用:适用于需要高重复性和稳定性的场景,如物体识别和配准。
1.2 ISS (Intrinsic Shape Signatures)
- ISS特征点检测:基于点云的局部几何特性,通过计算每个点的邻域协方差矩阵,选择具有显著几何变化的点作为特征点。
- 应用:常用于3D物体识别和场景理解。
1.3 SIFT (Scale-Invariant Feature Transform)
- SIFT特征提取:最初用于2D图像,通过检测尺度空间中的极值点并生成描述符。在3D点云中,SIFT通过分析点云的多尺度表示来提取特征。
- 应用:适用于需要尺度不变性和旋转不变性的场景,如3D物体识别和配准。
1.4 Boundary
- 边界特征提取:通过检测点云中的边界点来提取特征,通常基于点云的法向量或曲率变化。
- 应用:适用于需要识别物体边界的场景,如场景分割和物体识别。
1.5 总结
- Harris:基于曲率或法向量变化检测角点。
- ISS:基于局部几何特性检测特征点。
- SIFT:基于多尺度表示提取特征。
- Boundary:基于法向量或曲率变化检测边界点。
2、代码和结果
2.1 PCL
代码:
#include <pcl/point_types.h>
#include<pcl/common/common.h>
#include <pcl/io/ply_io.h>
#include<pcl/keypoints/harris_3d.h>
#include<pcl/keypoints/iss_3d.h>
#include<pcl/keypoints/sift_keypoint.h>
#include<pcl/features/pfh.h>
#include<pcl/features/fpfh.h>
#include<pcl/features/vfh.h>
#include<pcl/features/ppf.h>
#include <pcl/features/shot.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp> // Include the Boost.Thread header
#include <boost/date_time/posix_time/posix_time.hpp> // Include for boost::posix_time
namespace pcl
{
template<>
struct SIFTKeypointFieldSelector<PointXYZ>
{
inline float
operator () (const PointXYZ &p) const
{
return p.z;
}
};
}
void computeNormal(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in, pcl::PointCloud<pcl::Normal>::Ptr cloud_normals) {
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> nores;
pcl::search::KdTree< pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree< pcl::PointXYZ>());
nores.setInputCloud(cloud_in);
nores.setSearchMethod(tree);
//nores.setKSearch(20);
nores.setRadiusSearch(0.02)