一、特征点的描述
三维点云第八节课主要内容为特征点的描述，上节课已讲解特征点的提取。
1.特征点的描述介绍 00:12
三维点云特征点描述方法分为两类：
- 传统方法：如FPFH、SHOT等，部分已在PCL库中实现
- 深度学习方法：本节将重点讲解四种深度学习方法
2.点的三个主题 00:35
点云特征处理的三个核心流程：
- 特征点提取（Deduction）
- 特征点描述（Description）
- 特征点匹配（Match）
1) 特征点的匹配 00:47
特征点匹配的应用场景包括：
- 点云配准：解决初始解限制问题
- 数字人驱动：应用于直播、短视频领域的三维模型驱动技术
3.特征点的提取总结 01:15
特征点提取方法分类：
- 传统方法：基于点周围几何结构分析（如Harris、ISS），通过协方差矩阵判断特征点
- 深度学习方法：如3DCNN，但相关研究较少
- 研究趋势：特征点描述领域深度学习方法更丰富，适合学术探索
4.点云的配置 02:19
点云配准技术路线：
- 特征点提取
- 特征描述
- 特征匹配
- RANSAC计算
- 典型方法：PPFNet等深度学习描述方法
5.物体6D姿势 02:48
3DMatch方法通过特征点描述实现刚性物体定位，本质仍属于配准技术范畴。
6.特征点的传统方法描述 03:03
传统描述方法两大体系对比：
| 方法类型 | 原理 | 优势 | 缺陷 | 改进方向 |
|---|---|---|---|---|
| 直方图(Histogram) | 统计邻域点特征分布 | 计算简单 | 无法区分镜像变换 | 引入局部参考系(LRF) |
| 签名(Signature) | 记录邻域点坐标均值 | 保留空间信息 | 对旋转敏感 | 建立旋转不变坐标系 |
关键问题：局部参考系(LRF)设计是解决旋转不变性的核心，该思想也被深度学习模型借鉴。
1) PFH 07:39
Point Feature Histogram方法框架：
输入要求：
- 点坐标
- 点法向量
- 待描述特征点(Query Point)
输出特征：长度为B³的直方图数组（PCL默认B=5）
核心特性：
-
6DoF不变性：对旋转平移变化鲁棒
-
表面变化描述：通过邻域点法向量相对关系表征几何特征
-
输入
07:48
必需数据：
-
点云坐标
-
预计算的法向量
-
指定特征点位置
-
输出
08:06
描述子维度：B³（典型值125维）
-
核心思想
08:28
技术实现：
-
通过点对相对关系消除绝对坐标影响
-
基于法向量差异表征表面曲率变化
-
邻居
09:25
邻域处理：
-
以特征点为中心，半径r内所有点构成邻域
-
计算邻域内所有点对的几何特征
-
参考系
10:07
局部坐标系构建：
- 第一轴：点P1的法向量n1
- 第二轴：n1与P1P2连线的叉积
- 第三轴：前两轴的叉积
特征计算：
- 距离d（通常弃用）
- 角度特征α/φ/θ（用于直方图统计）
关键点：仅使用角度特征可避免扫描距离对描述子的影响。
-
直方图
15:41
直方图构建步骤如下：
-
忽略d值，通常d值可靠性较低
-
对于特征点周围k个邻居点，共产生k²个点对 - 每个点对生成三个标量参数（α,φ,θ）描述几何关系
-
直方图构建方法：
- 基础方法：分别对α/φ/θ建立独立直方图（各分b个区间），最终拼接为3b维向量
- PFH方法：将三个参数视为三维坐标点，在三维网格（b³个单元）中进行投票统计
-
应用案例
19:09
-
例题:不同区域有不同的直方图
三维投票机制中，k²个三元组作为坐标点投入三维网格，最终展开为b³维描述向量。不同空间区域的描述向量具有明显差异，该描述符可用于特征匹配等任务。
-
例题:语义分割
19:42
传统语义分割方法通过以下流程实现：
- 为每个点生成特征描述向量（如PFH）
- 使用SVM分类器训练特征向量
- 基于几何特征（如圆柱/平面）区分不同物体
- 该方法在深度学习前代表现尚可，但当前已被神经网络方案取代。
2) PFH总结 20:59
PFH方法核心特点：
- 实现旋转不变性
- 捕捉局部表面几何变化
- 基于点对法向量与相对位置计算参数
- 复杂度缺陷：n个特征点需计算nk²次运算
- 敏感性问题：结果严重依赖法向量精度
3) FPFH 22:47
FPFH改进方案：
-
简化计算：每个点仅计算与直接邻居的连线（k次运算）
-
直方图构建：采用3b维拼接方案（非三维投票）
-
加权融合 ：
- 中心点SPFH（简化直方图）
- 邻居点SPFH的加权平均
- 复杂度优化：从nk²降至nk
-
例题:fpfh示例图
27:33
FPFH直方图特征表现为三个明显峰值，对应α/φ/θ参数的独立统计结果。相较于PFH的b³维描述，3b维向量更易解析且计算效率更高。
4) fph与pfh的区别 29:07
| 对比维度 | PFH | FPFH |
|---|---|---|
| 邻居连接方式 | 全连接 | 部分连接 |
| 影响范围 | 固定半径r | r至2r |
| 参数重复计算 | 无 | 存在 |
| 时间复杂度 | O(nk²) | O(nk) |
| 描述符长度 | b³ | 3b |
| 实际应用中优先选择FPFH，因其在相近效果下具备显著效率优势。 |