PCL Harris3D关键点提取【2024最新版】

已于 2024-08-31 11:36:12 修改
阅读量10w+ 收藏 43
点赞数 10
CC 4.0 BY-SA版权
分类专栏： PCL学习 文章标签： 算法 计算机视觉 开发语言 3d c++
于 2021-04-22 15:10:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36686437/article/details/115975632
PCL学习 专栏收录该内容
264 篇文章 ¥19.90 ¥99.00
订阅专栏
本文详细介绍了PCL库中的Harris3D关键点提取算法，从2D Harris算法原理出发，解释了如何将其扩展到3D场景中。3D-Harris算法通过计算点云法线的协方差矩阵来检测特征点，适用于点云处理。需要注意，Harris算法的输出点云需有强度信息，并需通过原始点云重新获取关键点。文章还提及了计算角点响应值的不同方法和参考文献。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

在这里插入图片描述
本文由优快云点云侠原创，原文链接。如果你不是在点云侠的博客中看到该文章，那么此处便是不要脸抄袭狗。
博客长期更新，最近一次更新时间为：2024年8月31日。

一、算法原理

1、原理概述

  pcl::HarrisKeypoint3D使用2D Harris关键点的思想，但不是使用图像的梯度，而是使用点云的表面法线。该算法需对整个点云空间进行三维网格化，将落在每个网格中点的个数近似看作二维图像的像素值，并以此为基础以前、后、左、右、上、下6 个为平移方向进行计算，

了解本专栏 订阅专栏 解锁全文
PCL 点云SUSAN关键点提取【2024最新版】
点云侠的博客
12-26 2007
实现了SUSAN关键点探测器的在RGB-D数据中的扩展，主要根据在强度与法向量的变化来提取关键点。SUSAN与Harris的不同之处在于它直接利用法线，所以速度更快。
【2025最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
01-18 61万+
PCL学习目录。博客长期更新，最近一次更新时间为：2025年7月20日。
描述点云关键点提取ISS3D、Harris3D、NARF、SIFT3D算法原理
qq_39898555的博客
03-29 2252
描述点云关键点提取ISS3D、Harris3D、NARF、SIFT3D算法原理
点云的特征提取
10-13
This paper describes a new method to extract feature lines directly from a surface point cloud. No surface reconstruction is needed in advance, only the inexpensive computation of a neighbor graph connecting nearby points.
点云处理【五】(点云特征提取)
略知12的博客
10-20 4862
PFH通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它考虑估计法线方向之间所有的相互作用，试图捕获最好的样本表面变化情况，以描述样本的几何特征。它的思想在于分别计算查询点的k邻域中每一个点的简化点特征直方图(Simplified Point Feature Histogram,SPFH)，再通过一个公式将所有的SPFH加权成最后的快速点特征直方图。通常点云特征与关键点结合使用。
点云特征提取方法综述
11-25
对三维点云信息的特征分类和提取，进行总结。
3d点云处理--特征点提取
m0_47096428的博客
05-10 6634
ICP配准失败原因： 1. 初始化位置选择有问题 2. 两帧点云重合的部分较少=》扫到了不同的部分，比如innvosuion的雷达 Harris特征 物理意义上理解harris特征： 我们关注每个点在x，y方向intensity变化的速率。 如果在两个方向变化都快，这就是角点。 数学上设计理念： 1. 通过一个scalar的阈值进行判断 2. 考虑到两个方向对于最后得到数值的影响。 直观的看一些一阶导数对应的分布。 针对linear...
点云特征提取及分类、VFH、SVM、CNN
人生得意须尽欢
12-28 2万+
数据与特征决定了机器学习的上限， 模型/算法/参数只是来逼近这个上限。 0: 分类方式 按照特征的物理属性，可以将特征分为：几何域，强度域。 按照特征的空间尺度，可以分为：单点特征，局部特征，全局特征。 1：传统特征 单点特征 主要有：三维坐标（X, Y, Z）, 回波强度 Intensity, 法线 （Nx，Ny，Nz），主曲率（PCx, PCy, PCz, 及两个特征值 PC1, PC2） 局部特征 （一）几何域 局部特征常见的有各种几何特征描述子：PFH，FPFH，SHOT，C-SHOT，RSD，3D
PCL点云处理算法汇总（C++长期更新低价精品版）
m0_51204289的博客
10-28 2169
所有内容均抄自优快云点云侠，质量无忧，价格更低。关注我，坐等更新即可永久享受低价优质服务。欢迎收藏、关注、评论、转发，一键四连。
「3D视觉技术交流群」精华帖与关键问题
3D视觉工坊
07-27 3733
原文首发于微信公众号3D视觉工坊： 「3D视觉技术交流群」精华帖与关键问题 本文主要总结了「3D视觉技术交流群」自建立以来，星球内共发布与交流过的技术帖及关键问题，以便大家回顾温习。 一 星球主题，主要包括： 1.1　２Ｄ视觉 １）相机标定； ２）图像处理基础； ３）相机与镜头 1.2　手眼标定 1.3　３Ｄ视觉 1.4　编程技巧 1.5　VSLAＭ，包括：ubuntu系统；VSLAM技术； 1...
一种点云特征线提取方法
02-22
提出了一种特征线提取方法，该方法包含边界线和折边的提取，边界线的提取主要根据邻近投影点相邻向量夹角来实现，折边的提取主要利用邻近点向量聚类情况来实现。通过采集不同类型目标物点云数据，验证了所提方法的有效性。
点云关键点提取（1）
04-10
pcl中实现对点云的关键点提取，具体包括iss和sift关键点。
点云的边界提取
06-30
能够将散乱的点云数据边界点及特征点提取出来，并显示。
点云 特征提取、Segmentation、Classification、物体识别
Dr_Cv的博客
07-14 923
例如，法向量，曲率，树木，人等。是类似于对象识别的过程，该过程为每个点，线段或对象分配一个类别或标识，以表示某些类型的对象（例如，标志，道路，标记或建筑物）。依据获取特征的方式不同, 三维点云分类方法分为三大类:基于点的分类, 基于传统机器学习方法的分类和基于深度学习的分类。“低级属性”是指没有语义（例如，位置，高程，几何形状，颜色，强度，点密度等）的信息。对象识别和点云分类之间的区别在于，对象识别是利用一种方法以将一些特定对象与其他对象区分开，而分类的目的通常是在语义上标记整个场景。
PCL点云特征描述与提取
weixin_44485812的博客
01-23 5780
局部描述子（local descriptor） 在原始表示形式下，点的定义是用笛卡尔坐标系坐标x,y,z相对于一个给定的原点来简单表示的三维映射系统的概念。假定坐标系的原点不随着时间而改变，这里有两个点p1和p2，分别在时间t1和t2捕获，有着相同的坐标。 虽然相对于一些距离测度（如：欧几里得度量）它们是相等的。但是它们取样于完全不同的表面，因此当把它们和邻近的其他环境中的点放在一起时，它们表达着完全不同的信息，这是因为在t1和t2之间局部环境有可能发生改变。 因此作为一个单一实体的三维点概念和笛卡尔坐标系
[工作记录] 点云线特征提取
weixin_33842328的博客
12-24 6554
概述 目前的点云线特征提取方法可以分为： 1.基于面片patch的线特征提取，主要可以提取交线，边缘线。这类方法首先都是要提取面，然后对每个面对象提取。又可以分为： 　　基于图像的提取，首先都是要提取面，然后转换为图像，利用图像的边缘提取方法提取线，再变换回3D 　　基于a-shapes的边缘点提取，然后对边缘的线特征点进行追踪。 　　还有就是求$G_{theta}$夹角的提取边缘点，然...
点云特征描述与提取
吃不胖的粥
08-21 1万+
在等数据结果的过程中没事，上传一下之前总结的一些点云特征描述子 由于之前都是写在纸质版的笔记本上的，又不想多打字，只好上传扫描版本的咯，看官们请见谅哈 下面主要是讲述基本原理，主要涉及到一些经典的描述子： PFH， FPFH， Spin Image， SHOT， RoPS， TriSI， 3DSC， USC， ISS， VD_LSD， LSP， THRIFT， 很多算法在PCL中已经实现了。最...
PCL从理解到应用【09】 点云特征 | 关键点提取 | 方法汇总
黎国溥
08-03 3914
在PCL中，有多种方法和函数可以用来提取点云特征，本文介绍关键点提取。提取点云关键点，本文介绍的方法包括：SIFT、Harris、NARF、ISS和SUSAN。Harris 提取点云关键点，效果如下图所示：白色点是原始的点云（兔子），绿色点是Harris提取的点云关键点。对比一下5种点云关键点算法，如下表格所示：方法简介特点时间复杂度优点缺点SIFT基于尺度不变特征变换，检测不同尺度和旋转不变的关键点尺度不变性、旋转不变性高在尺度和旋转变化下稳定，对噪声有较强的鲁棒性。
PCL Harris3D关键点提取功能描述，给出必要的数学公式
最新发布
07-07
根据引用[1]和引用[3]，我们知道Harris关键点提取在3D点云中的应用，其原理类似于2D Harris角点检测，但扩展到三维空间。 ### 功能描述 Harris3D关键点检测用于在三维点云中检测角点特征。它基于点云中每个点邻域内...
评论 31
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

点云侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值