详细解释3D Harris特征提取中的协方差矩阵CCC计算
在3D Harris特征提取中，协方差矩阵CCC是核心计算步骤，用于量化点云局部邻域的几何变化。其计算基于邻域点的坐标或法向量，反映邻域在三个主方向上的分布特性。
1. 协方差矩阵CCC的定义
对于点云中的某个点ppp，其邻域N(p)N(p)N(p)包含nnn个点{q1,q2,...,qn}\{q_1, q_2, \dots, q_n\}{q1,q2,...,qn}。协方差矩阵CCC定义为：
C=1n∑i=1n(qi−qˉ)(qi−qˉ)TC = \frac{1}{n} \sum_{i=1}^n (q_i - \bar{q})(q_i - \bar{q})^TC=n1∑i=1n(qi−qˉ)(qi−qˉ)T
其中：
-qˉ=1n∑i=1nqi\bar{q} = \frac{1}{n} \sum_{i=1}^n q_iqˉ=n1∑i=1nqi是邻域点的质心（均值）。
-(qi−qˉ)(q_i - \bar{q})(qi−qˉ)是点qiq_iqi相对于质心的偏移向量。
-(qi−qˉ)T(q_i - \bar{q})^T(qi−qˉ)T是偏移向量的转置（列向量转行向量）。
-(qi−qˉ)(qi−qˉ)T(q_i - \bar{q})(q_i - \bar{q})^T(qi−qˉ)(qi−qˉ)T是一个3×33 \times 33×3的外积矩阵，表示点qiq_iqi对协方差矩阵的贡献。
若使用法向量 ：
若邻域点的几何信息为法向量{n1,n2,...,nn}\{n_1, n_2, \dots, n_n\}{n1,n2,...,nn}，则协方差矩阵可定义为：
C=1n∑i=1n(ni−nˉ)(ni−nˉ)TC = \frac{1}{n} \sum_{i=1}^n (n_i - \bar{n})(n_i - \bar{n})^TC=n1∑i=1n(ni−nˉ)(ni−nˉ)T
其中nˉ=1n∑i=1nni\bar{n} = \frac{1}{n} \sum_{i=1}^n n_inˉ=n1∑i=1nni是邻域法向量的均值。
2. 协方差矩阵的物理意义
协方差矩阵CCC是一个对称矩阵，其特征值λ1,λ2,λ3\lambda_1, \lambda_2, \lambda_3λ1,λ2,λ3（按降序排列）反映邻域在三个主方向上的变化程度：
- 大特征值：对应方向变化剧烈（如边缘或角点）。
- 小特征值：对应方向变化平缓（如平面区域）。
3D Harris算法通过分析特征值的分布来检测关键点：
- 角点 ：三个特征值均较大（λ1≈λ2≈λ3\lambda_1 \approx \lambda_2 \approx \lambda_3λ1≈λ2≈λ3）。
- 边缘 ：两个特征值较大，一个较小（λ1≈λ2≫λ3\lambda_1 \approx \lambda_2 \gg \lambda_3λ1≈λ2≫λ3）。
- 平面 ：一个特征值较大，两个较小（λ1≫λ2≈λ3\lambda_1 \gg \lambda_2 \approx \lambda_3λ1≫λ2≈λ3）。
3. 计算步骤与样例
样例数据
假设点ppp的邻域N(p)N(p)N(p)包含以下3个点（坐标形式）：
q1=(1,2,3),q2=(2,3,4),q3=(3,4,5)q_1 = (1, 2, 3), \quad q_2 = (2, 3, 4), \quad q_3 = (3, 4, 5)q1=(1,2,3),q2=(2,3,4),q3=(3,4,5)
步骤1：计算质心qˉ\bar{q}qˉ
qˉ=(1+2+33,2+3+43,3+4+53)=(2,3,4)\bar{q} = \left( \frac{1+2+3}{3}, \frac{2+3+4}{3}, \frac{3+4+5}{3} \right) = (2, 3, 4)qˉ=(31+2+3,32+3+4,33+4+5)=(2,3,4)
步骤2：计算偏移向量qi−qˉq_i - \bar{q}qi−qˉ
q1−qˉ=(1−2,2−3,3−4)=(−1,−1,−1)q2−qˉ=(2−2,3−3,4−4)=(0,0,0)q3−qˉ=(3−2,4−3,5−4)=(1,1,1)q_1 - \bar{q} = (1-2, 2-3, 3-4) = (-1, -1, -1) \\ q_2 - \bar{q} = (2-2, 3-3, 4-4) = (0, 0, 0) \\ q_3 - \bar{q} = (3-2, 4-3, 5-4) = (1, 1, 1)q1−qˉ=(1−2,2−3,3−4)=(−1,−1,−1)q2−qˉ=(2−2,3−3,4−4)=(0,0,0)q3−qˉ=(3−2,4−3,5−4)=(1,1,1)
步骤3：计算外积矩阵(qi−qˉ)(qi−qˉ)T(q_i - \bar{q})(q_i - \bar{q})^T(qi−qˉ)(qi−qˉ)T
对于q1−qˉ=(−1,−1,−1)q_1 - \bar{q} = (-1, -1, -1)q1−qˉ=(−1,−1,−1)：
(q1−qˉ)(q1−qˉ)T=−1−1−1−1−1−1=111111111(q_1 - \bar{q})(q_1 - \bar{q})^T = \begin{bmatrix} -1 \\ -1 \\ -1 \end{bmatrix} \begin{bmatrix} -1 & -1 & -1 \end{bmatrix}= \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}(q1−qˉ)(q1−qˉ)T= −1−1−1 −1−1−1= 111111111
同理：
-q2−qˉq_2 - \bar{q}q2−qˉ的外积矩阵为000（零矩阵）。
-q3−qˉ=(1,1,1)q_3 - \bar{q} = (1, 1, 1)q3−qˉ=(1,1,1)的外积矩阵与q1q_1q1相同：
111111111\begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix} 111111111
步骤4：求和并平均得到协方差矩阵CCC
C=13(111111111+000000000+111111111)=13222222222=232323232323232323C = \frac{1}{3} \left( \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix} + \begin{bmatrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} + \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix} \right)= \frac{1}{3} \begin{bmatrix} 2 & 2 & 2 \\ 2 & 2 & 2 \\ 2 & 2 & 2 \end{bmatrix}= \begin{bmatrix} \frac{2}{3} & \frac{2}{3} & \frac{2}{3} \\ \frac{2}{3} & \frac{2}{3} & \frac{2}{3} \\ \frac{2}{3} & \frac{2}{3} & \frac{2}{3} \end{bmatrix}C=31 111111111 + 000000000 + 111111111 =31 222222222 = 323232323232323232
步骤5：特征值分解
协方差矩阵CCC的特征值为：
λ1=2,λ2=0,λ3=0\lambda_1 = 2, \quad \lambda_2 = 0, \quad \lambda_3 = 0λ1=2,λ2=0,λ3=0
（因为CCC的秩为1，仅有一个非零特征值。）
物理意义 ：
此邻域在(1,1,1)(1,1,1)(1,1,1)方向上变化剧烈（如一条直线），而在其他方向无变化，因此检测为边缘特征而非角点。
4. 使用法向量的协方差矩阵计算
若邻域点的法向量为：
n1=(0.5,0.5,0.707),n2=(0.5,−0.5,0.707),n3=(−0.5,0,0.866)n_1 = (0.5, 0.5, 0.707), \quad n_2 = (0.5, -0.5, 0.707), \quad n_3 = (-0.5, 0, 0.866)n1=(0.5,0.5,0.707),n2=(0.5,−0.5,0.707),n3=(−0.5,0,0.866)
（已归一化，即∥ni∥=1\|n_i\| = 1∥ni∥=1）
步骤1：计算法向量均值nˉ\bar{n}nˉ
nˉ=(0.5+0.5−0.53,0.5−0.5+03,0.707+0.707+0.8663)≈(0.167,0,0.760)\bar{n} = \left( \frac{0.5+0.5-0.5}{3}, \frac{0.5-0.5+0}{3}, \frac{0.707+0.707+0.866}{3} \right) \approx (0.167, 0, 0.760)nˉ=(30.5+0.5−0.5,30.5−0.5+0,30.707+0.707+0.866)≈(0.167,0,0.760)
步骤2：计算偏移向量ni−nˉn_i - \bar{n}ni−nˉ
n1−nˉ≈(0.333,0.5,−0.053)n2−nˉ≈(0.333,−0.5,−0.053)n3−nˉ≈(−0.667,0,0.106)n_1 - \bar{n} \approx (0.333, 0.5, -0.053) \\ n_2 - \bar{n} \approx (0.333, -0.5, -0.053) \\ n_3 - \bar{n} \approx (-0.667, 0, 0.106)n1−nˉ≈(0.333,0.5,−0.053)n2−nˉ≈(0.333,−0.5,−0.053)n3−nˉ≈(−0.667,0,0.106)
步骤3：计算外积矩阵并求和
（此处省略具体矩阵计算，直接给出结果）
C≈0.2220−0.03700.50−0.03700.006C \approx \begin{bmatrix} 0.222 & 0 & -0.037 \\ 0 & 0.5 & 0 \\ -0.037 & 0 & 0.006 \end{bmatrix}C≈ 0.2220−0.03700.50−0.03700.006
步骤4：特征值分解
特征值约为：
λ1≈0.5,λ2≈0.222,λ3≈0.006\lambda_1 \approx 0.5, \quad \lambda_2 \approx 0.222, \quad \lambda_3 \approx 0.006λ1≈0.5,λ2≈0.222,λ3≈0.006
物理意义 ：
三个特征值均较小且差异不大，说明邻域法向量分布均匀，可能为平面区域或噪声点。
5. 总结
- 协方差矩阵CCC 是3D Harris算法的核心，通过邻域点的坐标或法向量计算。
- 特征值分析 可区分角点、边缘和平面：
- 角点：三个特征值均大且接近。
- 边缘：两个特征值大，一个小。
- 平面：一个特征值大，两个小。
- 计算步骤：质心计算 → 偏移向量 → 外积矩阵 → 求和平均 → 特征值分解。
通过调整邻域大小和响应阈值，可优化关键点检测效果。