点云Feature Description特征描述 - PFH & FPFH算法

最新推荐文章于 2025-01-13 20:51:07 发布
原创 最新推荐文章于 2025-01-13 20:51:07 发布 · 722 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#算法 #人工智能 #深度学习

文章介绍了点云处理中的特征描述算法，重点讲解了PFH和FPFH两种方法。PFH通过计算点对间的6Dpose构建直方图，而FPFH是PFH的优化版，仅计算查询点与其近邻点的pair。代码实现部分展示了这两种算法的关键步骤，包括计算角度和直方图，以及加权平均的FPFH特征。实验结果显示，PFH和FPFH能有效描述同类特征点。

Feature Description特征描述 - PFH & FPFH算法

代码链接 : github

Github链接：有关于环境感知方面的网络介绍及代码链接

1. 背景

上一章介绍了点云的特征提取ISS算法 ，对于提取每帧图片后的任务就是进行特征描述，对于同样的物体，将其进行旋转和平移其特征描述值应该不变性。 传统的方法有两种主流算法 , :

  1. Histogram based , eg PFH & FPFH (本文主要介绍)
  2. Signature based , eg SHOT

除此之外还有深度学习方法，比如3DMatch ， PerfectMatch ， PPFNet & PPF-FoldNet等

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-abHuTNjq-1683622447012)(image/pfh/1683619717684.png)]




2. 算法简介

PFH

  1. 通过特征提取算法找到特征点(代码里的特征点是直接由ISS算法提取到的2个点)
  2. 计算特征点的radius近邻，然后计算所有点两两之间的6D pose(u , v , w , α , Φ , θ),下面是计算任意两点p1 & p2之间的6D pose算法 , 其中n1 和 n2 分别是 p1 和 p2点的法向量
    • u = n1
    • v = u X $p2 - p1 \over ||p2 - p1|| $
    • w = u X v
    • d = $ ||p2 - p1||$ (受传感器远近影响，所以一般舍去)
    • α = v · n2
    • Φ
最低0.47元/天 解锁文章
计算PFH并可视化——详细解析与示例源代码
ZyqfCss的博客
09-23 376
PFH（Point Feature Histogram）是一种常用的特征描述算法，用于描述点云数据中每个点的局部几何特征。在本文中，我们将详细解析PFH的计算过程，并提供相应的示例源代码。
PCL：RANSAC（FPFH特征）+ICP配准
m0_71596228的博客
03-30 970
（Random Sample Consensus）和（Iterative Closest Point）是点云配准中常用的两个算法，可以使用RANSAC进行粗配准结合ICP进行精配准。
点云处理学习笔记（五）-- 特征描述子 PPF、PFH及FPFH
不学会C++不改名
07-01 5428
一、特征描述子 从三维场景中提取物体的基本思路是：先提取关键点，再使用各种局部特征描述子对关键点进行描述，最后与待检测物体进行比对，得到点 - 点的匹配。对于缺乏表面纹理，局部曲率变化很小，或点云本身就很系数的物体，采用局部特征描述子很难有效的提取到匹配对。 1）PPF特征描述子 Point Pair Feature特征描述算子其算法思想如下： 1.PPF的特征为[d, <d, n1>, <d, n2>, <n1,...
PCL点云库入门——PCL库点云特征之FPFH点快速特征直方图（Fast Point Feature Histogram - FPFH）
qq_36812406的博客
01-08 2833
快速点特征直方图（Fast Point Feature Histograms，简称FPFH）是对PFH（Point Feature Histograms）计算方法的一种简化，具体内容看参考。该方法的核心在于独立计算查询点的K邻域内每个点的简化点特征直方图（Simplified Point Feature Histogram，简称SPFH），然后利用特定公式将所有SPFH加权合并，形成最终的FPFH。通过这种方式，FPFH将算法的计算复杂度降低至O(nk)，同时依然保持了PFH的大部分识别特性。
【PCL自学:Feature1】点云特征估计(持续更新)
斯坦福的兔子的博客
02-04 3223
一、Feature库 点云特征估计简述及代码解析   本文介绍了PCL中的三维点特征估计方法，并为对PCL:: feature类的内部结构感兴趣的用户或开发人员提供了指南。查看官方源文档请点击这里   点的特征估计 在 特征点搜索、点云配准、点云分割、三维物体识别等领域中常用，所谓的特征包括点云法向、曲率等，常用于点云预处理阶段当中。本文仅简要概述特征估计的原理，详细的点云特征估计论文请点击这里获取 名词：点的特征估计   3D映射系统概念中定义的 点 是相对于给定的原点，并使用它们的笛卡尔坐标x、y、z.
pcl点云特征提取 法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征 视点特征直方图VFH GASD特征
万有文的博客
03-23 8823
pcl点云特征提取 法线估计 PFH FPFH NARF 惯量偏心矩 RoPs特征 视点特征直方图VFH GASD特征 博文末尾支持二维码赞赏哦_ 如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数， 比如法线方向、曲率、文理特征、颜色、领域中心距、协方差矩阵、熵等等。 如同图像的特征（sifi surf orb）一样，我们需要使用类似的方式来描述三维...
图形处理（八）点云重建（上）点云滤波、尖锐特征边增采样、移除离群点
热门推荐
hjimce的专栏
06-08 1万+
之前帮导师搞过一个项目，涉及点云尖锐的特征边重建技术，很多文献看起来效果很好，然而都是坑爹的算法，鲁邦性很差，比如这篇paper《Feature Sensitive Surface Extraction from Volume Data》把我坑的好惨，网上没有提供源代码
PCL点云库入门——PCL库点云特征之PFH点特征直方图（Point Feature Histograms -PHF）
qq_36812406的博客
01-06 1569
PFH点（Point Feature Histogram）特征直方图的原理涉及利用参数化查询点与邻域点之间的空间差异，并构建一个多维直方图以捕捉点的k邻域几何属性。这个高维超空间为特征表示提供了一个可度量的信息空间，对于点云对应曲面的六维姿态，它具有不变性，并且在不同的采样密度或邻域噪声水平下表现出鲁棒性。PFH特征描述表示法基于点与其k邻域之间的关系以及它们的估计法线，简而言之，它考虑了所有估计法线方向之间的相互作用，试图捕捉最佳的样本表面变化情况，以描述样本的几何特征。
手写SAC_IA实现基于FPFH描述子的点云帧间匹配
啥也不懂的研究生也淦SLAM的博客
09-08 1701
实现sac_ia算法进行FPFH描述子的点云帧间匹配，同时对比icp、ndt配准效率
PCL点云库入门——PCL库点云特征之SHOT特征描述Signature of Histograms of OrienTations (SHOT)
最新发布
qq_36812406的博客
01-13 1899
SHOT，即Signature of Histograms of OrienTations，是一种基于局部表面特征统计信息的特征描述原理。该方法通过计算点云中每个点的邻域内法向量的分布情况，生成一个多维的特征向量。这种方法的核心在于，首先对每个点定义一个局部参考框架，以确保特征描述的旋转不变性。接着，在这个局部参考框架内，将邻域划分为多个子区域，并在每个子区域内统计法向量的分布情况进行编码。通过将这些统计信息组合成一个特征向量，SHOT能够有效地捕捉点云表面的局部几何特征。
点特征直方图（PFH）算法的matlab实现，以及基于PFH的点云拼接实验
04-04
[原创]根据文献使用matlab实现了PFH算法，并使用它对bunny数据进行了基于特征匹配和RANSAC的拼接实验。关键点选取和特征匹配部分是直接用的之前文献复原的内容(资源已发布)，仅用来测试PFH的有效性。由于运行速度过慢，我将代码分为三块，依次运行PFH_demo.m（关键点提取）、PFH_demo2.m（PFH计算，耗时）、PFH_demo3.m（拼接实验与结果展示）。代码中实现的是64维度的描述符，与PCL中的略有不同。关键点如果用3D harris效果应该会更好一点。
PCL提取3D点云模型特征（3.0 FPFH快速点特征直方图）附完整代码
McQueen_LT的博客
07-22 5627
一、概述 上一篇博客解释了PFH是什么以及如何利用PFH来提取点云的特征，那么讲了PFH（PCL提取3D点云模型特征（2.0 PFH点特征直方图 ）附完整代码）之后肯定是要接着说FPFH的。本来想着把FPFH的内容和PFH放在一起的，但是感觉如果放在一起写再加上最后的代码（毕竟每篇博客能加代码的我都会把代码贴出来，毕竟talk is cheap, show me your code嘛），就感觉一篇博客的内容就太多了，不仅写起来累，看起来也累，所以就分开吧。 与PFH方法类似，在目前所有网上看到的资料中，都没
PCL提取3D点云模型特征（2.0 PFH点特征直方图 ）附完整代码
McQueen_LT的博客
07-21 4292
一、概述 之前在做本科毕业设计的时候，就用到了 PFH（Point Feature Histogram）和 FPFH（Fast Point Feature Histogram），这两个方法都是Rusu这个大佬提出来的。最开始他提出了PFH作为一个signature来描述点云邻域内的属性，利用这种性质来对点运做registration。但是PFH存在过多的冗余计算，导致效率很低，在此基础上，他又提出了FPFH来提升计算效率。在刚开始接触到这两个特征描述子之前，对这两个方法一无所知，在网上也找了很多资料和帖子，
matlab——FPFH特征提取以及匹配点对
qq_42537872的博客
07-11 4479
matlab——FPFH特征提取以及匹配点对
点云的局部特征描述
harden1013的博客
11-15 4127
点云的局部特征描述通常可以分为以下两类： 1.基于特征的描述 2.基于直方图的描述 基于特征的点云局部特征描述，其描述能力更强；基于直方图的点云局部特征描述，对不同场景下点云局部特征描述的适用性与鲁棒性更强； ①SHOT特征描述子（Signature of Histogram of Orientation） 在特征点处建立局部参考系，用邻域点的空间位置信息和几何特征统计信息来描述点云局部特征 上式计算特征点邻域范围内所有点的协方差矩阵，对上述M阵求解特征值，进行主成分分析，由大到小进行排列.
点云特征描述子概述、PFH描述子提取
weixin_45824067的博客
06-27 1463
PFH和FPFH是一类常用的点云特征描述子。它们通过计算点与其邻域内其他点之间的相对位置和法线之间的关系构建直方图描述子。它通过将点云表面分割为小的网格单元，并计算每个单元中的法线直方图，从而提取特征。它通过将点云投影到三维直方图中，并统计点云在不同区域的分布情况来构建描述子。它将点云投影到多个不同的视点上，并统计每个视点上的投影信息，如高度、密度和曲率等。它计算点云中每个点与其他点之间的相对位置和法线之间的关系，并构建直方图描述子。它通过计算点云的惯性矩和偏心率等几何属性，来表征点云的形状特征。
图像特征检测和描述的算法及特征描述符匹配方法
changjuanfang的专栏
05-30 324
蛮力匹配算法计算每对特征描述符之间的距离（例如，欧几里得距离、汉明距离等），并为每个特征描述符找到最佳匹配（即距离最小的匹配）。SIFT（尺度不变特征变换，Scale-Invariant Feature Transform）、SURF（加速鲁棒特征，Speeded-Up Robust Features）和ORB（带方向的快速旋转特征，Oriented FAST and Rotated BRIEF）都是用于图像特征检测和描述的算法。1. **SIFT**：SIFT是一种基于梯度信息的特征点检测和描述算法。
【三维点云数据处理】SHOT三维特征描述子
点云兔子的博客
06-16 3707
【三维点云数据处理】ISS特征点提取算法2014年 ，Tombari等 将点签名和点特征直方图的思想相结合，提出SHOT特征描述子。首先将点邻域空间分成几个子空间，然后对子空间中每个点的法向特征统计到直方图进行编 码，再将每个子空间的直方图联合到一起得到三维描述子。此方法对于含有噪声、杂波的点云以及密度不均的点云都具有一定的鲁棒性、高效性和较好的描述性。具体过程如下：1. 按照上图所述的协方差矩阵，通过求解可得协方差矩阵的特征值以及特征值对应的特征向量，将特征值以递减的顺序进行排列可得，其对应的向量为，分
点云处理【五】(点云特征提取)
略知12的博客
10-20 5237
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。
点云配准技术：PFH、FPFH、ICP、NDT与3Dsc对比分析
PFH算法是一种点云特征描述方法，用于表示局部点云的几何特征。PFH特征不仅包含了点本身的属性，还考虑了点周围的局部几何结构信息。计算过程中，首先会选定一个参考点，然后计算该点与局部邻域内其他点的法线方向的...
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

曼城周杰伦

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