目录

一、概述

1.1法线估计

1.2SPFH（Simplified Point Feature Histograms）计算

1.3FPFH计算

二、代码实现

2.1关键函数

2.2完整代码

三、实现效果

3.1原始点云

3.2计算数据

---

一、概述

        FPFH（Fast Point Feature Histogram）特征是一种用于描述点云局部几何特征的描述子。它由Rusu等人在2009年提出，旨在高效地描述三维点云的局部几何特征，并用于点云配准、分类和分割等任务。

        FPFH特征的计算过程分为三个主要步骤：法线估计、SPFH计算和FPFH计算。

1.1法线估计

        在计算FPFH特征之前，首先需要估计点云中每个点的法线。这通常通过邻域搜索和PCA（主成分分析）方法来完成。

步骤：

1. 对于点云中的每个点，确定一个邻域（例如，通过k近邻搜索或半径搜索）。
2. 使用PCA方法计算邻域点的协方差矩阵，并获取其特征向量。特征值最小的特征向量对应的方向即为法线方向。

1.2SPFH（Simplified Point Feature Histograms）计算

        SPFH特征是对点云中每个点及其邻域点的几何关系的描述，具体通过以下三个角度计算：

        对于每个点 𝑝，通过计算它与每个邻域点 𝑞 的上述三个角度，可以构建一个三维的特征直方图，这就是SPFH特征。

1.3FPFH计算

        FPFH特征通过组合点的SPFH特征及其邻域点的SPFH特征来进一步描述点云的局部几何特征。具体步骤如下：

1. 对于点云中的每个点 𝑝，计算其SPFH特征。
2. 对于点云中的每个点 𝑝，收集其邻域点的SPFH特征。
3. 通过将点 𝑝 的SPFH特征与其邻域点的SPFH特征加权求和，计算点 𝑝 的FPFH特征。

二、代码实现

2.1关键函数

def compute_fpfh_feature(input, search_param): input：输入的点云
search_param：KD树的近邻搜索方式
Returns:33xN的数组，33表示特征描述子，N用来表示计算FPFH的点的个数

2.2完整代码

import open3d as o3d# -------------传入点云数据，计算FPFH------------
def fpfh_compute(pcd):radius_normal = 0.01  # kdtree参数，用于估计法线的半径，print(":: Estimate normal with search radius %.3f." % radius_normal)pcd.estimate_normals(o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))# 估计法线的1个参数，使用混合型的kdtree，半径内取最多30个邻居radius_feature = 0.02  # kdtree参数，用于估计FPFH特征的半径print(":: Compute FPFH feature with search radius %.3f." % radius_feature)pcd_fpfh = o3d.pipelines.registration.compute_fpfh_feature(pcd,o3d.geometry.KDTreeSearchParamHybrid(radius=radius_feature,max_nn=100))  # 计算FPFH特征,搜索方法kdtreereturn pcd_fpfh  # 返回FPFH特征# ----------------读取点云数据--------------
source = o3d.io.read_point_cloud("hand.pcd")
# -----------------计算的FPFH---------------
source_fpfh = fpfh_compute(source)
print(source_fpfh)

三、实现效果

3.1原始点云

3.2计算数据

Estimate normal with search radius 0.010.
:: Compute FPFH feature with search radius 0.020.
Feature class with dimension = 33 and num = 327323
Access its data via data member.