PCL点云库——关键点

最新推荐文章于 2024-12-09 23:18:37 发布

原创

最新推荐文章于 2024-12-09 23:18:37 发布 · 2.4k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能 #opencv

本文围绕计算机视觉中的特征点提取展开，介绍了NARF关键点，包括其提取要求、步骤及边缘提取算法；阐述了基于PCA的点云法向量估计；还介绍了具有多种不变性的Harris角点检测方法，以及有诸多优点但已申请专利的SIFT特征点算法。

一、NARF关键点

NARF（Normal Aligned Radial Feature）关键点是为了从深度图像中识别物体而提出的，关键点探测的重要一步是减少特征提取时的搜索空间，把重点放在重要的结构上，

对NARF关键点提取过程有以下要求：
（1）提取的过程必须将边缘以及物体表面变化信息考虑在内；
（2）关键点的位置必须稳定，可以被重复探测到，即使换了不同的视角；
（3）关键点所在的位置必须有稳定的支持区域，可以计算描述子并进行唯一的法向量估计。

为了满足上述要求，提出一下探测步骤来进行关键点提取：

（1）遍历每一个深度图像点，通过寻找在邻近区域有深度突变的位置进行边缘检测。
（2）遍历每个深度图像点，根据邻近区域的表面变化决定一种测度表面变化的系数，以及变化的主方向。
（3）根据第二步找到的主方向计算兴趣值，表征该方向与其他方向的不同，以及该处表面的变化情况，以及该处表面的变化情况，即该点有多稳定。
（4）对兴趣值进行平滑处理。
（5）进行无最大值压缩找到最终的关键点，即为NARF关键点。

论文将点分为三种类型：object borders , shadow borders , veil points
在这里插入图片描述
论文提出“提取边缘的最鲁棒的指导原则是：相邻点之间的距离变化（is a change in the distance between neighboring points.）”因此边缘提取的算法就是基于这个指导原则进行的。