PCL中点特征描述子PFH、FPFH和VFH简述和示例

文章目录

  • 前言
  • 一、点特征直方图
    • 1.1 PFH
      • 1.1.1 法线估计
      • 1.1.2 特征计算
    • 1.2 FPFH
    • 1.3 VFH
  • 二、示例
    • 2.1 PFH计算
    • 2.2 FPFH
    • 2.3 VFH

前言

点特征直方图是PCL中非常重要的特征描述子，在点云匹配、分割、重建等任务中起到关键作用，可以对刚体变换、点云密度和噪声均有较强的抑制作用。而不同的描述子拥有不同优劣势，需要根据具体情况选择使用。

一、点特征直方图

点特征直方图融合了点云的局部和全局信息，具有旋转平移不变性，以及对采样密度和噪声点的稳健性。

1.1 PFH

PFH（point feature histogram）通过估计查询点和近邻点之间的法线差异，计算得到一个多维直方图来对点的K近邻进行几何描述，计算复杂度为O(nk^2)。
PFH的计算需要先估计法线，然后计算邻域范围内所有两点之间的关系：

1.1.1 法线估计

PCL采用近似估计的方法来计算法线特征，通过NormalEstimation类完成。
计算过程：
通过估计近邻区域的拟合面，再去计算查询点的法线。
拟合过程通过最小二乘法完成，然后通过PCA方法计算得到法向量（构建协方差矩阵，奇异值分解计算矩阵最小特征值所对应的特征向量做为法向量），最后通过计算相邻点法线内积的方法来进行法线定向。
实现过程可以参考：
为什么用PCA做点云法线估计？
源代码：

inline boolcomputePointNormal (const pcl::PointCloud<PointInT> &cloud, const std::vector<int> &indices,float &nx, float &ny, float &nz, float &curvature){//计算协方差矩阵if (indices.size () < 3 ||computeMeanAndCovarianceMatrix (cloud, indices, covariance_matrix_, xyz_centroid_) == 0){nx = ny = nz = curvature = std::numeric_limits<float>::quiet_NaN ();return false;}// Get the plane normal and surface curvaturesolvePlaneParameters (covariance_matrix_, nx, ny, nz, curvature);return true;}

计算法线和曲率，其中nx,ny,nz为法线的xyz分量。

inline void
solvePlaneParameters (const Eigen::Matrix3f &covariance_matrix,float &nx, float &ny, float &nz, float &curvature)
{// Avoid getting hung on Eigen's optimizers
//  for (int i = 0; i < 9; ++i)
//    if (!std::isfinite (covariance_matrix.coeff (i)))
//    {
//      //PCL_WARN ("[pcl::solvePlaneParameteres] Covariance matrix has NaN/Inf values!\n");
//      nx = ny = nz = curvature = std::numeric_limits<float>::quiet_NaN ();
//      return;
//    }// Extract the smallest eigenvalue and its eigenvectorEIGEN_ALIGN16 Eigen::Vector3f::Scalar eigen_value;EIGEN_ALIGN16 Eigen::Vector3f eigen_vector;pcl::eigen33 (covariance_matrix, eigen_value, eigen_vector);nx = eigen_vector [0];ny = eigen_vector [1];nz = eigen_vector [2];// Compute the curvature surface changefloat eig_sum = covariance_matrix.coeff (0) + covariance_matrix.coeff (4) + covariance_matrix.coeff (8);if (eig_sum != 0)curvature = std::abs (eigen_value / eig_sum);elsecurvature = 0;
}

确定法线方向,vp_x,vp_y,vp_z为视点的坐标：

 template <typename PointT> inline voidflipNormalTowardsViewpoint (const PointT &point, float vp_x, float vp_y, float vp_z,float &nx, float &ny, float &nz){// See if we need to flip any plane normalsvp_x -= point.x;vp_y -= point.y;vp_z -= point.z;// Dot product between the (viewpoint - point) and the plane normalfloat cos_theta = (vp_x * nx + vp_y * ny + vp_z * nz);// Flip the plane normalif (cos_theta < 0){nx *= -1;ny *= -1;nz *= -1;}}

1.1.2 特征计算

在这里插入图片描述
1：计算两点法线的差异角度。
2：计算查询点法线方向与两点连线方向的角度。
3：计算邻域点法线上一点到UW平面的垂线交点与邻域点的直线，再计算直线与U的角度值。
4：计算两点间的距离。
在这里插入图片描述
按以上公式，每两个查询点可以计算出4个特征值。PCL中忽略d特征，只保留3个角度特征。
特征的统计方式按照划分子区间，并统计每个子区间的点数目，同时将角度归一化到相同的区间。PCL将每个角度特征划分5个子区间进行统计，最终得到125个浮点元素的特征向量，可以保存在PFHSignature125类型中。
特征计算：

  PCL_EXPORTS bool computePairFeatures (const Eigen::Vector4f &p1, const Eigen::Vector4f &n1, const Eigen::Vector4f &p2, const Eigen::Vector4f &n2, float &f1, float &f2, float &f3, float &f4);

直方图计算：

template <typename PointInT, typename PointNT, typename PointOutT> void
pcl::PFHEstimation<PointInT, PointNT, PointOutT>::computePointPFHSignature (const pcl::PointCloud<PointInT> &cloud, const pcl::PointCloud<PointNT> &normals,const std::vector<int> &indices, int nr_split, Eigen::VectorXf &pfh_histogram)

1.2 FPFH

FPFH(Fast Point Feature Histograms)意为快速点特征直方图，该算法对特征的计算进行了简化，并运用特征加权的方式得到最终的FPFH特征。该算法减少了时间复杂度，增加了实时性。
具体的计算方法：
1：计算查询点p邻域范围内的所有点对特征（只与查询点相连的点对），得到PFH中三个角度特征，命名为SPFH特征。
2：计算邻域内其他点的SPFH特征。
3：将邻域内其他所有的SPFH特征加权得到最终的FPFH特征，权重w是用邻域内点的距离来进行度量的。PCL中将三个特征值中的每个按照11个特征子空间进行统计，组合得到一个33个浮点元素的特征向量来表示FPFH特征。
在这里插入图片描述

1.3 VFH

为了使计算得到的特征保持尺度不变性和区分不同的位姿，故引入视点变量，计算得到视点特征直方图VFH特征。
其计算方法为：
1：扩展FPFH，使其利用整个点云来进行计算估计，以点云的中心点c与其他点之间的点对作为计算单元。
2: 添加视点方向与每个点估计法线间的统计信息，其做法是在特征计算时将视点变量直接融入法线角度计算中来。
在这里插入图片描述
具体可参考：
PCL 估计一点云的VFH特征
计算出的特征由三部分构成：
1：三个角度特征，每个分为45个子区间进行统计。
2：基于质心的点云形状描述子，分为45个子区间进行统计。
3：视角方向与点法线方向的角度差异，分为128个子区间进行统计。

二、示例

2.1 PFH计算

    //读取点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_ptr(new pcl::PointCloud<pcl::PointXYZ>);pcl::PCDReader reader;reader.read("plant.pcd", *cloud_ptr);//计算法线pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;ne.setInputCloud(cloud_ptr);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree1(new pcl::search::KdTree<pcl::PointXYZ>());ne.setSearchMethod(tree1);pcl::PointCloud<pcl::Normal>::Ptr cloud_normals_ptr(new pcl::PointCloud<pcl::Normal>);pcl::PointCloud<pcl::Normal>& cloud_normals = *cloud_normals_ptr;ne.setRadiusSearch(0.01);ne.compute(cloud_normals);//计算pfh特征pcl::PFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::PFHSignature125> pfh;pfh.setInputCloud(cloud_ptr);pfh.setInputNormals(cloud_normals_ptr);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>());pfh.setSearchMethod(tree2);//输出pcl::PointCloud<pcl::PFHSignature125>::Ptr pfh_ptr(new pcl::PointCloud<pcl::PFHSignature125>());pfh.setRadiusSearch(0.03);pfh.compute(*pfh_ptr);//显示pcl::visualization::PCLPlotter plotter;plotter.addFeatureHistogram(*pfh_ptr, 200); plotter.plot();

在这里插入图片描述

2.2 FPFH

	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PCDReader reader;reader.read("plant.pcd", *cloud);//法向量计算pcl::NormalEstimationOMP<pcl::PointXYZ, pcl::Normal> n;//OMP加速n.setInputCloud(cloud);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());n.setSearchMethod(tree);n.setNumberOfThreads(4);n.setKSearch(30);pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);n.compute(*normals);//计算特征pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;fpfh.setInputCloud(cloud);fpfh.setInputNormals(normals);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>());fpfh.setSearchMethod(tree2);pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfh_fe(new pcl::PointCloud<pcl::FPFHSignature33>());//注意：此处使用的半径必须要大于估计表面法线时使用的半径fpfh.setRadiusSearch(0.03);fpfh.compute(*fpfh_fe);cout << "phf feature size : " << fpfh_fe->points.size() << endl;pcl::visualization::PCLPlotter plotter;plotter.addFeatureHistogram(*fpfh_fe, 200);plotter.plot();

在这里插入图片描述

2.3 VFH

	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PCDReader reader;reader.read("plant.pcd", *cloud);pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree1(new pcl::search::KdTree<pcl::PointXYZ>());ne.setInputCloud(cloud);ne.setSearchMethod(tree1);ne.setRadiusSearch(0.01);pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);ne.compute(*normals);pcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh;vfh.setInputCloud(cloud);vfh.setInputNormals(normals);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree2(new pcl::search::KdTree<pcl::PointXYZ>());vfh.setSearchMethod(tree2);pcl::PointCloud<pcl::VFHSignature308>::Ptr vfh_ptr(new pcl::PointCloud<pcl::VFHSignature308>());vfh.compute(*vfh_ptr);pcl::visualization::PCLPlotter plotter;plotter.addFeatureHistogram(*vfh_ptr, 200);plotter.plot();

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/256052.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

BZOJ 1005: [HNOI2008]明明的烦恼

BZOJ 1005: [HNOI2008]明明的烦恼

BZOJ 1005: [HNOI2008]明明的烦恼 Description 自从明明学了树的结构,就对奇怪的树产生了兴趣......给出标号为1到N的点,以及某些点最终的度数,允许在 任意两点间连线,可产生多少棵度数满足要求的树? Input 第一行为N(0 < N < 1000), 接下来N行,第i1行给出第i个节点的度…
阅读更多...
Apache Directory 指令

Apache Directory 指令

<Directory> 指令 语法&#xff1a;<Directory directory-path> ... </Directory> <Directory>和</Directory>用于封装一组指令&#xff0c;使之仅对某个目录及其子目录生效。任何可以在"directory"作用域中使用的指令都可以使用。Dir…
阅读更多...
来一个炫酷的导航条

来一个炫酷的导航条

本文分享一个带动画效果的中英文切换导航条。 鼠标放上去试一下&#xff1a; INDEX 首页 BBS 社区 HOME 我 1.用CSS3实现 效果看上去复杂&#xff0c;其实我们先来做出一个样式&#xff0c;就很简单了。如下&#xff1a; 代码&#xff1a; <nav><ul class"list…
阅读更多...
基于C++的opencv中Mat矩阵运算方法总结

基于C++的opencv中Mat矩阵运算方法总结

文章目录前言一、Mat运算种类1.1 代数运算1.2 类型转换前言 Mat类是目前opencv最为常用的图像数据格式&#xff0c;其优点在于无需手动开辟内存空间和实时释放&#xff0c;针对此类的各种运算方法有很多&#xff0c;本文按照各种运算方法的种类进行简单的总结和示例。 一、Mat…
阅读更多...
【pyqt5】——信号与槽

【pyqt5】——信号与槽

一、简单Demo 简单使用信号和槽&#xff08;之前常用的使用方式&#xff09;&#xff1a; class DemoWin(QMainWindow):def __init__(self):super().__init__()self.initUI()def initUI(self):self.resize(400, 250)self.btn QPushButton("发送信号", self)# 发送…
阅读更多...
JSON - 简介

JSON - 简介

JSON - 简介 JSON实例 <!DOCTYPE html> <html> <head> <meta charset"utf-8"> <title>菜鸟教程(runoob.com)</title> </head> <body> <h2>JavaScript 创建 JSON 对象</h2> <p> 网站名称: <spa…
阅读更多...
mysql慢日志管理

mysql慢日志管理

一、日志切割 原理&#xff1a; 1、cp一个慢日志备份 2、清空原理的慢日志 3、写成脚本&#xff0c;每天一切&#xff0c;这样就ok啦 二、查找日志中的慢日志 1、做了日志切割&#xff08;慢日志文件就小了&#xff09; 2、查找某个时间的慢日志 日志时间格式&#xff1a; # Ti…
阅读更多...
【深度学习】mask_rcnn训练自己的数据集以及模型使用（实践结合GitHub项目）

【深度学习】mask_rcnn训练自己的数据集以及模型使用（实践结合GitHub项目）

根据requirements - 开源项目默认的.txt进行库安装 环境&#xff1a;WIN10 Anoconda Pycharm python3.6.2 mask_rcnn基本流程1、训练 1)labelme进行目标物体标记&#xff0c;生成json文件&#xff0c;含点坐标、以及各个物体的标签label; json文件的格式&#xff1a;&…
阅读更多...
EXCEL小技巧：如何统计非空单元格

EXCEL小技巧：如何统计非空单元格

http://club.excelhome.net/thread-1187271-1-1.html 下面教大家如果用函数统计非空单元格的数量 首先我们来介绍几个统计函数&#xff1a; 1.COUNT(value1,value2,...) 统计包含数字的单元格个数 2.COUNTA(value1,value2,...) 统计非空单元格的个数 3.COUNTBLANK(range&…
阅读更多...
easyui 页签

easyui 页签

昨天开始搭后台框架&#xff0c;到晚上的时候遇到了一个现在觉得挺可笑但是当时一直很纠结很纠结的问题&#xff0c;这个问题刚刚解决出来&#xff0c;把它拿出来说说&#xff0c;让自己长点儿记性&#xff0c;希望大家不要犯我这个错误啊 在backstage.jsp页面中我写了一个方法…
阅读更多...
未在本地计算机上注册“Microsoft.Jet.OLEDB.4.0”提供程序。

未在本地计算机上注册“Microsoft.Jet.OLEDB.4.0”提供程序。

报错信息&#xff1a; 解决方案&#xff1a; 1、“设置应用程序池默认属性”/“常规”/”启用32位应用程序”&#xff0c;设置为 true。 如下图所示&#xff1a;&#xff08;已测试&#xff0c;好使&#xff09; 方法二&#xff1a;生成->配置管理器->平台->点击Any C…
阅读更多...
UserWarning: Matplotlib is currently using agg, which is a non-GUI backend, so cannot show the figur

UserWarning: Matplotlib is currently using agg, which is a non-GUI backend, so cannot show the figur

“UserWarning: Matplotlib is currently using agg, which is a non-GUI backend, so cannot show the figure”在利用mask_rcnn进行物体检测的时候出现的问题&#xff0c;主要是因为matplotlib的使用格式不对 可以检查者两个地方&#xff1a; 1、visualize.py中 import mat…
阅读更多...
008. 限制上传文件的大小

008. 限制上传文件的大小

第一种方法: 利用web.config的配置文件项, 进行设置; 前端aspx示例: <% Page Language"C#" AutoEventWireup"true" CodeFile"sendOutEmail.aspx.cs" Inherits"sendOutEmail" %> <!DOCTYPE html PUBLIC "-//W3C//DTD XHT…
阅读更多...
查询实例及其代码

查询实例及其代码

一、 设有一数据库&#xff0c;包括四个表&#xff1a;学生表&#xff08;Student&#xff09;、课程表&#xff08;Course&#xff09;、成绩表&#xff08;Score&#xff09;以及教师信息表&#xff08;Teacher&#xff09;。四个表的结构分别如表1-1的表&#xf…
阅读更多...
pyinstaller打包执行exe出现“ModuleNotFoundError: No module named ‘scipy.spatial.transform._rotation_group”

pyinstaller打包执行exe出现“ModuleNotFoundError: No module named ‘scipy.spatial.transform._rotation_group”

这个是因为打包后的第三方库中缺少了pyd文件 具体的解决方法&#xff1a; 去环境下找到相应的py文件&#xff0c;根据https://blog.csdn.net/qq_41007606/article/details/109565069文章写的方法&#xff0c;将py编译成pyd文件&#xff0c;然后将pyd文件复制到dist相应的第三…
阅读更多...
浙江中医药大学第十一届程序设计竞赛题解

浙江中医药大学第十一届程序设计竞赛题解

官方题解&#xff1a;http://www.jnxxhzz.com/Article/article/9.html 2019: 特产 Time Limit: 1 Sec Memory Limit: 128 MBSubmit: 548 Solved: 154[Submit][Status][Web Board]Description Input Output 输出一个整数表示dd带回来的特产重量 Sample Input 2 3 6 1 3Sample …
阅读更多...
vijos p1002——过河(noip2005提高组T2)

vijos p1002——过河(noip2005提高组T2)

描述 在河上有一座独木桥&#xff0c;一只青蛙想沿着独木桥从河的一侧跳到另一侧。在桥上有一些石子&#xff0c;青蛙很讨厌踩在这些石子上。由于桥的长度和青蛙一次跳过的距离都是正整数&#xff0c;我们可以把独木桥上青蛙可能到达的点看成数轴上的一串整点&#xff1a;0&…
阅读更多...
JNI学习

JNI学习

1. 目前调用关系已经搞清楚&#xff0c;需要编译一个so或者dll的动态库给java调用。 2. env有很多方法现在还不清楚&#xff0c; 获得属性句柄。 JNI方法描述符&#xff0c;主要就是在括号里放置参数&#xff0c;在括号后面放置返回类型&#xff0c;如下&#xff1a;&#xff0…
阅读更多...
【项目实战】——USB双路继电器电脑控制灯的开关（Python）

【项目实战】——USB双路继电器电脑控制灯的开关（Python）

环境&#xff1a;window10、Python3.7.9 依赖库&#xff1a;pyserial 硬件&#xff1a;220V灯带、220V吊灯、USB双路继电器、电笔 1、安装Python第三方库pyserial 2、清楚插座的零火线&#xff08;用电笔去测试&#xff0c;灯亮为火线&#xff09; 3、清楚灯的零火线&#…
阅读更多...
字符串去掉空格

字符串去掉空格

2019独角兽企业重金招聘Python工程师标准>>> String s1s.trim().replaceAll("\\s*", ""); 转载于:https://my.oschina.net/u/2842177/blog/1587850
阅读更多...
最新文章

Copyright @ 2022~2023