FPFH算法计算特征描述子

于 2024-11-09 14:06:53 发布
阅读量509 收藏 2
点赞数 2
分类专栏： c++ pcl点云处理 文章标签： 算法 pcl 点云处理 3D视觉
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/twnkie/article/details/143635891
版权

 目录

1 原理介绍 

2 数学公式推导

几何关系

FPFH计算：

3 算法流程

4 示例代码

        快速点特征直方图（Fast Point Feature Histograms，FPFH）是一种用于三维点云数据的特征描述子。它是PFH描述子的加速版，利用缩减计算复杂度的策略来提高计算效率。FPFH在特征提取、点云配准、物体识别等任务中具有广泛的应用。

1 原理介绍 

        FPFH通过对点云中每个点与其邻域内其他点之间的几何关系进行分析来提取特征。与PFH不同，FPFH在计算过程中使用了一种加速策略，将几何关系的计算分为两步，以减少计算复杂度。

FPFH分为两个步骤：

  1. 简化PFH计算（SPFH）：对每个点仅考虑其直接邻域中的点进行几何关系计算。
  2. 加速的FPFH构建：利用SPFH的结果，通过邻域点的SPFH进行加权累加得到最终的FPFH特征。

2 数学公式推导

几何关系

        假设有一个关键点 p 和它的一个邻域点 q，以及它们各自的法向量 np​ 和 nq。为了建立点之间的几何关系&#x

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PCL 点云FPFH特征描述子
weixin_43896283的博客
07-08 313
快速点特征直方图(FPFH)描述子：计算 PFH 特征的效率其实是十分低的，，这样的算法复杂度无法实现实时或接近实时的应用。因此，这篇文章将介绍 PFH 的简化加速版本 Fast Point Feature Histogram，在这里简称为 FPFH，中文名译作「快速点特征直方图」。FPFH 能保留 PFH 的大部分特性和获得近似的结果，并能将计算复杂度降为 O(nk)。
Python点云处理（十四）点云特征描述符算法之PFH、FPFH
weixin_43894929的博客
09-01 2963
根据不同的应用需求和点云数据规模，我们可以选择适合的特征描述算法。若对称性、重复性较强的物体需要较高的特征描述准确性，可以选择点特征直方图算法，更具有鲁棒性；若对大规模点云数据进行实时处理，可以选择快速点特征直方图算法，FPFH算法在PFH算法的基础上引入了距离加权因素，从而提高了计算效率和速度，更适合处理大规模数据。
FPFH(Fast Point Feature Histogram)简介
qq_74117006的博客
07-14 2649
在介绍FPFH之前，必须先介绍一下PFH，PFH是对点云进行统计分析计算，即对点的邻域，针对某一种几何特征，进行统计，进而得到一种统计特征。PFH算法的设计完全基于该思路，即在点云定义一个固定的邻域，然后在这个邻域来计算一系列的特征值，建立针对特征值的直方图，已得到统计特征。点特征直方图 （PFH） 是具有丰富信息且不受姿态影响的局部特征，表示点 p 处的底层曲面模型属性。它们的计算基于p的k个最近邻之间的某些几何关系的组合。它们包含3D点坐标和估计的表面法线。
用来描述点云局部特征的快速点特征直方图(FPFH)算法的matlab实现
04-04
[原创]自己实现的FPFH算法，效果与PCL中的完全一致。输入量必须包括离散无拓扑的点云矩阵、点云法向量矩阵、关键点在离散点云中的位置向量、邻域参数这么四个，另外两个量可缺省，填入ISS算法(资源已放出)步骤中用到的r邻域拓扑变量时可以节省运算资源。输出量为一个矩阵，其中每一行为一个33维度向量，对应一个关键点的FPFH描述符。 个人比较满意的作品，代码变量命名规范、逻辑清晰、可读性强。
HOG特征描述算子
anson2004110的专栏
10-24 2646
转载至http://www.icvpr.com/opencv-hog-descriptor/ HOG特征描述算子 1）HOG特征的原始文献 "Histograms of Oriented Gradients for Human Detection"  "Finding People in Images and Videos" (PhD
(六) 三维点云课程---FPFH特征点描述
qq_45369294的博客
11-03 4608
三维点云课程—FPFH特征点描述 三维点云课程---FPFH特征点描述三维点云课程---FPFH特征点描述1.FPFH推导1.1PFH介绍 （Point Feature Histogram）1.2FPFH介绍 （Fast Point Feature Histogram）2.FPFH完整代码即仿真效果 1.FPFH推导 1.1PFH介绍 （Point Feature Histogram） 讲解FPFH之前，先来简单介绍一下PFH的理论。 PFH算法的输入是:三维点云数据，每个点的表面法向量以及特征点，输出是
PCL 基于FPFH特征描述子获取点云对应关系
最新发布
纵马踏花向自由
10-22 580
特征描述子（Descriptor）是一种表示局部几何特征的矢量，通常用于匹配两组点云中的特征点。FPFH是一种加速计算的几何特征，它可以捕捉点云的局部几何信息。通过在源点云和目标点云上计算FPFH描述子，我们可以通过比较这些描述子来找到两组点云的匹配点对。
点云特征描述子
qhu1600417010的博客
04-07 1529
上篇文章介绍了2D图片和3D点云中的特征点提取算法，通过ISS算法可以得到3D点云的特征点。那么一簇点云中的若干特征点怎么表征才能最大限度的代表这簇点云呐？这就是特征描述子的作用。本篇将从ISS特征点提取算法入手讲解PFH,FPFH和SHOT三种特征描述子。什么是特征描述子？特征描述子是用于描述特征点周围区域特征的向量或者特征值集合。在图像处理、计算机视觉和点云处理等领域，特征描述子用于表征图像、点云或者其他数据中的局部特征信息，通常用于匹配、识别和跟踪等任务。特征描述子需要具备的性质。
快速特征点直方图描述器(FPFH)
热门推荐
海贼王
04-09 2万+
PFH的理论上的时间复杂度是O(nk的平方)，n是点的数量，k是最近邻的个数。对于实时系统来说，这压根就是不行的，所以作为PFH规划的简化版本，FPFH把计算复杂度减少成O(nk),但是还具有很好的和PFH差不多的区分能力。 第一步我们先计算了每个查询点Pq的一系列值，并把它叫做SPFH(Simplified Point Feature Histgram) 第二步每个点的最近邻是重新分配，SP
点云配准算法fpfh，C++,pcl库，亲测可用
04-19
点云配准算法FPFH代码，可读取pcd文件，如果要读取ply文件需要自己改代码，或者将ply文件转换为pcd
Open3D 点云配准-FPFH特征计算（原理详细版）
纵马踏花向自由
08-11 3103
FPFH（Fast Point Feature Histograms）特征计算是通过描述点云中每个点的局部几何关系来生成的，FPFH特征向量的维度是33。FPFH特征计算分为两个主要步骤：SPFH（Simplified Point Feature Histograms）和FPFH。以下是详细的步骤和几何关系描述。
特征描述算子-sift
weixin_33875839的博客
07-20 158
特征描述算子-sift http://boche.github.io/download/sift/Introduction%20to%20SIFT.pdf
点云特征描述子PFH与FPFH，详细推导过程（绝对能看懂！）
weixin_49166952的博客
06-12 2221
点云学习中一个很重要的概念，特征描述子。比较常用的就是PFH与FPFH，之前自己学习的时候为了弄清楚具体原理，也是各种查资料，但是针对αϕθαϕθ，这三个的具体求法总是不明白，网上查的很多资料也并没有将具体的推导过程，所以今天将自己的理解写下来，希望对那些这方面也有疑惑的朋友能起到一点帮助。相信如果慢慢的读下来，绝对可以让你清晰理解这方面的推导。可能很多地方讲的不好，如果不足，还请指正！
通俗讲LBP算子——特征描述算子
qq_32531505的博客
06-28 1597
1.通俗说LBP算子 1.1 较理想的LBP算子 LBP是Local Binary Pattern的缩写，即局部二值模式。算子就是指掩模。例如，这里的LBP算子为3X3大小的，其是把中心位置的像素值作为阈值标准，当邻域的值大于中心值时，那个位置就被标记为1，小于则被标记0。当标记完后就可以做编码了。编码以左上角，也就是像素坐标轴的零点作为起始点，顺时针将标记值由右边低位向左边高位依次排列，如下图所示，得到一个8位长的编码。 再如这个图像为9X9大小，算子扫过就会出现9X9 / 3X3 = 9个编码值，然后
特征描述子的理解（pfh,fpfh,short）
weixin_43384504的博客
07-24 3155
为什么要特征描述子？因为用点特征描述的（法线、曲率等）只能是用少部分的参数来代表一段几何区域，描述参数太少。所以通过参数化 查询点和领域点的空间差异 形成了特征描述子。 PFH: 该方法是使用 一对点 通过局部坐标系来建立对应的关系的（因为是一对点，所以具有一定的抗干扰性，比如抗旋转），但是对法线计算的准确性的依赖比较大。 将（x,x,x）看作空间的点 ，最后做投票选择，最后在展开。（pcl 源码将f1,f2,f3归一化后放入直方图，好像还用到了哈希表存储。） 这里注意的是它...
【理论篇】LBP特征描述算子
weixin_42326479的博客
06-28 423
LBP特征描述算子-人脸检测1. 原理2. 对LBP特征向量进行提取2.1 步骤2.2 代码 1. 原理 进展 原始的LBP算子 圆形LBP算子 旋转不变性的 LBP 算子 LBP等价模式 定义 在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0 将 3×3 邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点 通过不断旋转圆形邻域得到
【理论篇】HOG特征描述算子
weixin_42326479的博客
07-06 1405
HOG特征前言1 理论1.1 梯度计算1.2 分网格的梯度方向直方图1.3 块描述子1.4 块描述子归一化2 代码 前言 HOG全称histogram of oriented gradients.就是根据方向梯度直方图寻找图像的特征。它可以用来表示图像的物体特征，因此能够检测出这类物体。（下图就是HOG提取的特征） HOG特征描述子提取过程： 灰度图像转换 梯度计算 分网格的梯度方向直方图 块描述子 块描述子归一化 1 理论 1.1 梯度计算 为了得到梯度直方图，那么首先需要计算水平和垂直梯度，这可以
特征描述子之SIFT算子
robin1987z的博客
10-16 1857
理解可能有误或者不够全面，此文章以后可能会持续修改。 感觉这个算子真心强大，光照不变性、旋转不变性、尺度不变性，可以说特性非常全面，唯一缺点可能就是运算量比较大，但是这个缺点在它的衍生算子上也得到了一定的改进，再加上硬件配置的不断升级，想必它和它的衍生算子们适用面还会越来越广的（不过SIFT是已经申请专利了）。 讲到SIFT算子就不得不先说一说尺度空间。尺度空间的基本思想是在图像信息处
和FPFH相比，SHOT特征描述子的优势
05-23
SHOT (Signature of Histograms of Orientation) 特征描述子和 FPFH (Fast Point Feature Histogram) 特征描述子都是基于点云的特征描述子，用于点云配准和识别。它们都是在点云中提取局部特征描述子，通过计算描述子之间的距离来进行点云匹配。 相对于 FPFH，SHOT 特征描述子的优势主要有以下几个方面： 1. 计算速度更快 SHOT 特征描述子相对于 FPFH 特征描述子的计算速度更快，这是因为SHOT特征描述子的计算过程不需要进行复杂的投影和法向量计算，只需要计算一些简单的几何信息，因此SHOT特征描述子的计算速度比FPFH更快。 2. 特征鲁棒性更好 SHOT 特征描述子相对于 FPFH 特征描述子的特征鲁棒性更好，这是因为SHOT特征描述子考虑了点云的法向量和曲率信息，并在计算中进行了加权，因此SHOT特征描述子对于点云中的噪声和局部形状变化具有更好的鲁棒性。 3. 不受点数量影响 SHOT 特征描述子相对于 FPFH 特征描述子不受点数量影响。FPFH 特征描述子的计算依赖于点云的密度，而SHOT特征描述子的计算不依赖于点云的密度。 综上所述，相较于 FPFH 特征描述子，SHOT 特征描述子具有更快的计算速度、更好的特征鲁棒性和不受点数量影响等优势，因此在点云配准和识别中被广泛应用。
评论
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

点云学习

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