PPF（Point-Pair Feature，点对特征）

PPF（Point-Pair Feature，点对特征）完整数学原理 + 严格证明

PPF 是基于两点+两点法向量构造4维几何不变特征 ，核心性质：刚体变换（旋转+平移）下特征完全不变，是无序点云全局粗配准、3D物体识别的底层数学基础。

前置定义

设三维欧式空间 R3\mathbb R^3R3：

模型/场景中任意两点：p,q∈R3\boldsymbol p,\boldsymbol q\in\mathbb R^3p,q∈R3；
np,nq\boldsymbol n_p,\boldsymbol n_qnp,nq：两点对应的单位法向量 ∥np∥=∥nq∥=1\|\boldsymbol n_p\|=\|\boldsymbol n_q\|=1∥np∥=∥nq∥=1；
两点位移矢量：d=q−p∈R3\boldsymbol d = \boldsymbol q-\boldsymbol p\in\mathbb R^3d=q−p∈R3；
刚体变换 T=(R,t)∈SE(3)T=(R,\boldsymbol t)\in SE(3)T=(R,t)∈SE(3)：
X′=RX+t,n′=Rn\boldsymbol X' = R\boldsymbol X+\boldsymbol t,\quad \boldsymbol n'=R\boldsymbol nX′=RX+t,n′=Rn
R∈SO(3)R\in SO(3)R∈SO(3)（正交旋转：R⊤R=I,det⁡(R)=1R^\top R=I,\det(R)=1R⊤R=I,det(R)=1），平移t∈R3\boldsymbol t\in\mathbb R^3t∈R3；
性质：旋转保向量范数、保向量内积：
∥Ra∥=∥a∥,(Ra)⊤(Rb)=a⊤b(1)\|R\boldsymbol a\|=\|\boldsymbol a\|,\quad (R\boldsymbol a)^\top(R\boldsymbol b)=\boldsymbol a^\top \boldsymbol b \tag{1}∥Ra∥=∥a∥,(Ra)⊤(Rb)=a⊤b(1)

一、PPF四维特征数学定义

1. 四个特征分量

F(p,q)=(d,α,β,γ) \boldsymbol F(\boldsymbol p,\boldsymbol q)= \big(d,\alpha,\beta,\gamma\big) F(p,q)=(d,α,β,γ)

{d=∥d∥=∥q−p∥α=∠(np,d)=arccos⁡(np⊤d∥d∥)β=∠(nq,d)=arccos⁡(nq⊤d∥d∥)γ=∠(np,nq)=arccos⁡(np⊤nq) \begin{cases} d=\|\boldsymbol d\|=\|\boldsymbol q-\boldsymbol p\|\\ $4pt$ \alpha=\angle(\boldsymbol n_p,\boldsymbol d)=\displaystyle\arccos\left(\frac{\boldsymbol n_p^\top \boldsymbol d}{\|\boldsymbol d\|}\right)\\ $4pt$ \beta=\angle(\boldsymbol n_q,\boldsymbol d)=\displaystyle\arccos\left(\frac{\boldsymbol n_q^\top \boldsymbol d}{\|\boldsymbol d\|}\right)\\ $4pt$ \gamma=\angle(\boldsymbol n_p,\boldsymbol n_q)=\displaystyle\arccos\left(\boldsymbol n_p^\top \boldsymbol n_q\right) \end{cases} ⎩ ⎨ ⎧d=∥d∥=∥q−p∥α=∠(np,d)=arccos(∥d∥np⊤d)β=∠(nq,d)=arccos(∥d∥nq⊤d)γ=∠(np,nq)=arccos(np⊤nq)

ddd：两点欧式距离；
α\alphaα：np\boldsymbol n_pnp 与连线 d\boldsymbol dd 夹角；
β\betaβ：nq\boldsymbol n_qnq 与连线 d\boldsymbol dd 夹角；
γ\gammaγ：两点法向量夹角；
角度定义域：α,β,γ∈ $0,π$ \alpha,\beta,\gamma\in $0,\\pi$ α,β,γ∈ $0,π$ 。

本质：全部由两点相对几何关系构成，与空间全局位置无关。

2. 局部坐标系补充（PPF几何归一化来源）

对 (p,q,np)(\boldsymbol p,\boldsymbol q,\boldsymbol n_p)(p,q,np) 构造局部刚体变换 Tpq∈SE(3)T_{pq}\in SE(3)Tpq∈SE(3)：

平移：把 p\boldsymbol pp 移至坐标原点；
旋转：将 d\boldsymbol dd 对齐局部坐标系 xxx 轴，np\boldsymbol n_pnp 落至局部 xOzxOzxOz 平面。
d~=Rpqd=d⋅ex,n~p=Rpqnp=(∗,0,∗)⊤ \tilde{\boldsymbol d}=R_{pq}\boldsymbol d = d\cdot \boldsymbol e_x,\quad \tilde{\boldsymbol n}p=R{pq}\boldsymbol n_p=(*,0,*)^\top d~=Rpqd=d⋅ex,n~p=Rpqnp=(∗,0,∗)⊤
n~q=Rpqnq\tilde{\boldsymbol n}q=R{pq}\boldsymbol n_qn~q=Rpqnq。
α,β,γ\alpha,\beta,\gammaα,β,γ 等价为局部坐标系下 n~p,n~q,ex\tilde{\boldsymbol n}_p,\tilde{\boldsymbol n}_q,\boldsymbol e_xn~p,n~q,ex 的夹角，因此天然消除全局位姿影响，是不变性的几何本质。

二、核心定理：刚体不变性定理（完整数学证明）

定理：

对任意刚体变换 T(R,t)T(R,\boldsymbol t)T(R,t)，变换后：

p′=Rp+t,q′=Rq+t,np′=Rnp,nq′=Rnq\boldsymbol p'=R\boldsymbol p+\boldsymbol t,\quad \boldsymbol q'=R\boldsymbol q+\boldsymbol t,\quad \boldsymbol n_p'=R\boldsymbol n_p,\quad \boldsymbol n_q'=R\boldsymbol n_qp′=Rp+t,q′=Rq+t,np′=Rnp,nq′=Rnq

记变换后特征 F′=F(p′,q′)\boldsymbol F'=\boldsymbol F(\boldsymbol p',\boldsymbol q')F′=F(p′,q′)，则：

F′=F⇔ d′=d,α′=α,β′=β,γ′=γ\boldsymbol F'=\boldsymbol F \quad\Leftrightarrow\ d'=d,\alpha'=\alpha,\beta'=\beta,\gamma'=\gammaF′=F⇔ d′=d,α′=α,β′=β,γ′=γ

逐项证明

① 距离项 d′=dd'=dd′=d

d′=q′−p′=R(q−p)=Rd \boldsymbol d'=\boldsymbol q'-\boldsymbol p' = R(\boldsymbol q-\boldsymbol p)=R\boldsymbol d d′=q′−p′=R(q−p)=Rd

由旋转保范数式(1)：

d′=∥Rd∥=∥d∥=d d'=\|R\boldsymbol d\|=\|\boldsymbol d\|=d d′=∥Rd∥=∥d∥=d

② α′=α\alpha'=\alphaα′=α

α′=arccos⁡(np′⊤d′∥d′∥) \alpha'=\arccos\left(\frac{\boldsymbol n_p'^\top \boldsymbol d'}{\|\boldsymbol d'\|}\right) α′=arccos(∥d′∥np′⊤d′)

代入 np′=Rnp,d′=Rd,d′=d\boldsymbol n_p'=R\boldsymbol n_p,\boldsymbol d'=R\boldsymbol d,d'=dnp′=Rnp,d′=Rd,d′=d：

np′⊤d′=(Rnp)⊤(Rd)=np⊤R⊤Rd=np⊤d \boldsymbol n_p'^\top \boldsymbol d'=(R\boldsymbol n_p)^\top(R\boldsymbol d)=\boldsymbol n_p^\top R^\top R\boldsymbol d=\boldsymbol n_p^\top \boldsymbol d np′⊤d′=(Rnp)⊤(Rd)=np⊤R⊤Rd=np⊤d

α′=arccos⁡(np⊤dd)=α \alpha'=\arccos\left(\frac{\boldsymbol n_p^\top \boldsymbol d}{d}\right)=\alpha α′=arccos(dnp⊤d)=α

③ β′=β\beta'=\betaβ′=β

同②：

nq′⊤d′=(Rnq)⊤Rd=nq⊤d ⟹ β′=β \boldsymbol n_q'^\top\boldsymbol d'=(R\boldsymbol n_q)^\top R\boldsymbol d=\boldsymbol n_q^\top \boldsymbol d \implies \beta'=\beta nq′⊤d′=(Rnq)⊤Rd=nq⊤d⟹β′=β

④ γ′=γ\gamma'=\gammaγ′=γ

γ′=arccos⁡(np′⊤nq′)=arccos⁡((Rnp)⊤Rnq)=arccos⁡(np⊤nq)=γ \gamma'=\arccos\big(\boldsymbol n_p'^\top \boldsymbol n_q'\big)=\arccos\big((R\boldsymbol n_p)^\top R\boldsymbol n_q\big)=\arccos(\boldsymbol n_p^\top \boldsymbol n_q)=\gamma γ′=arccos(np′⊤nq′)=arccos((Rnp)⊤Rnq)=arccos(np⊤nq)=γ

四项全相等 ⇒F′=F\Rightarrow \boldsymbol F'=\boldsymbol F⇒F′=F，定理证毕。

物理意义：物体在空间平移、旋转，任意一对点的PPF特征永远不变，因此模型与场景中同几何构型点对拥有相同PPF，可通过特征匹配建立对应关系。

三、由匹配PPF求解物体位姿：Hough投票数学推导（PPF配准核心）

Hough投票原理

一、投票前的准备（离线+在线）

1. 离线阶段：建模型特征库（只做一次）

对模型点云采样，生成所有点对(pm,qm)(p_m, q_m)(pm,qm)，计算PPF特征F=(d,αm,βm,γ)F=(d, \alpha_m, \beta_m, \gamma)F=(d,αm,βm,γ)
用FFF作为key，把模型点对信息存入哈希表 ：key→(模型参考点pmp_mpm，点对(pm,qm)(p_m,q_m)(pm,qm)，局部角度αm\alpha_mαm)
关键：αm\alpha_mαm是模型点对在局部坐标系下的角度（已消除全局位姿影响）

2. 在线阶段：场景点对匹配（实时执行）

对场景点云采样，选参考点srs_rsr，生成所有点对(sr,sj)(s_r, s_j)(sr,sj)，计算PPF特征Fs=(d,αs,βs,γ)F_s=(d, \alpha_s, \beta_s, \gamma)Fs=(d,αs,βs,γ)
用FsF_sFs查哈希表，找到所有特征匹配 的模型点对(pm,qm)(p_m, q_m)(pm,qm)
核心发现：匹配的点对共享相同局部几何，全局位姿只差一个绕X轴的旋转角Δα=αm−αs\Delta\alpha=\alpha_m-\alpha_sΔα=αm−αs

二、Hough投票的核心操作（4步走）

1. 投票空间设计（关键创新）

投票表结构 ：对每个场景参考点srs_rsr，创建一个2D累加器（投票表）：

行：模型参考点pmp_mpm（候选匹配点）
列：旋转角α\alphaα（按精度量化，如每1°一个bin）

为什么是2D？因为需要同时确定"哪个模型点对应场景点"和"需要转多少度"。但本质上，旋转角α\alphaα是唯一未知的自由度。

2. 计算投票角度（核心公式）

对每个匹配的模型-场景点对：

Δα=αm−αs\Delta\alpha = \alpha_m - \alpha_sΔα=αm−αs

αm\alpha_mαm：模型点对在局部坐标系的角度（哈希表中存储）
αs\alpha_sαs：场景点对在局部坐标系的角度（实时计算）
物理意义：把场景局部坐标系绕X轴转Δα\Delta\alphaΔα，就能和模型局部坐标系完美对齐

3. 投出一票（累加计数）

对每个匹配结果，在投票表中：

找到对应模型点pmp_mpm的行
找到对应Δα\Delta\alphaΔα的列（量化到最近的bin）
该单元格票数+1

比喻：每个匹配点对都是一个"证人"，证明"用这个角度转，这两个点能对上"。

4. 统计结果（找峰值）

遍历投票表，找到票数最高的单元格（峰值）
峰值对应的：
- 模型点pmp_mpm：场景参考点srs_rsr的最佳匹配点
- 旋转角Δα\Delta\alphaΔα：最优对齐角度
可选：聚类相似峰值，过滤噪声匹配

三、数学原理：为什么只投一个角度？

1. 局部坐标系的"锁死效应"

回顾之前的局部坐标系构造：

平移：ppp到原点，消除3个平移自由度
旋转约束1：pqpqpq对齐X轴，消除2个旋转自由度
旋转约束2：npn_pnp落XZ平面，消除1个旋转自由度
仅剩1个自由度 ：绕X轴的旋转（即α\alphaα角）

2. 角度不变性→投票有效性

刚体变换下，PPF的d,α,β,γd, \alpha, \beta, \gammad,α,β,γ不变
匹配点对的局部几何完全一致，全局差异仅在α\alphaα角
所有正确匹配都会为同一个Δα\Delta\alphaΔα投票，形成峰值；错误匹配投票分散

3. 从投票结果到完整6D位姿

有了最佳匹配点pm↔srp_m \leftrightarrow s_rpm↔sr和旋转角Δα\Delta\alphaΔα，计算完整位姿：

旋转矩阵 ：R=Rpq,model⋅RX(Δα)⋅Rpq,scene−1R = R_{pq,model} \cdot R_X(\Delta\alpha) \cdot R_{pq,scene}^{-1}R=Rpq,model⋅RX(Δα)⋅Rpq,scene−1
- Rpq,modelR_{pq,model}Rpq,model：模型点对的局部坐标系旋转
- RX(Δα)R_X(\Delta\alpha)RX(Δα)：绕X轴转Δα\Delta\alphaΔα
- Rpq,scene−1R_{pq,scene}^{-1}Rpq,scene−1：场景点对局部坐标系的逆旋转
平移向量 ：t=sr−R⋅pmt = s_r - R \cdot p_mt=sr−R⋅pm
得到完整位姿T=(R,t)∈SE(3)T=(R, t) \in SE(3)T=(R,t)∈SE(3)

四、生活化比喻：拼图游戏

离线准备：把拼图所有碎片的边缘特征（PPF）记录在本子上（哈希表）
在线匹配 ：拿起一块场景拼图（srs_rsr），看它的边缘（FsF_sFs），在本子上找匹配的碎片（pmp_mpm）
投票：每个匹配的碎片告诉你"要转多少度（Δα\Delta\alphaΔα）才能对上"，你在投票表上记一笔
结果：看谁的"转多少度"被记最多笔，那就是正确的角度，拼上就行

五、关键细节与优化

步骤	常见优化	效果
特征计算	法向量重定向、距离/角度量化	减少噪声，加速匹配
哈希查找	多尺度特征、距离阈值	提高匹配召回率
投票累加	加权投票（曲率/法向量质量）	突出可靠匹配
峰值检测	非极大值抑制、聚类	过滤错误位姿
结果精修	ICP算法	提升位姿精度（旋转误差<1°）

六、总结

PPF的Hough投票是降维打击 ：把复杂的6D位姿求解，通过局部坐标系归一化，变成只需对1个旋转角α\alphaα投票。每个匹配点对都是一个"证据"，票数最多的角度就是最可能的对齐方式，再据此还原完整位姿。这就是PPF算法高效、鲁棒的核心秘密。

需要我把上述流程写成可执行的伪代码（含哈希表构建、投票表累加、峰值检测与位姿还原），并标注关键参数（如角度量化步长、距离阈值）的典型取值吗？

3.1 模型预处理（离线建哈希表）

对模型上每个基准锚点 pm\boldsymbol p_mpm，遍历全模型其余点 qm\boldsymbol q_mqm：

计算 Fm=F(pm,qm)\boldsymbol F_m=F(\boldsymbol p_m,\boldsymbol q_m)Fm=F(pm,qm)；
在 pm\boldsymbol p_mpm 局部坐标系 TmT_mTm 下：dm→Tmdex\boldsymbol d_m\xrightarrow{T_m}d\boldsymbol e_xdmTm dex，绕 d\boldsymbol dd（x轴）的旋转自由度只剩参数 α\alphaα；
哈希映射：Hash $量化(Fm)$ ←(pm,αm)\boldsymbol Hash $\\text{量化}(\\boldsymbol F_m)$ \leftarrow (\boldsymbol p_m,\alpha_m)Hash $量化(Fm)$ ←(pm,αm)。

3.2 场景在线匹配

任取场景锚点 ps\boldsymbol p_sps、场景配对点 qs\boldsymbol q_sqs，计算 Fs=F(ps,qs)\boldsymbol F_s=F(\boldsymbol p_s,\boldsymbol q_s)Fs=F(ps,qs)，查表取出所有匹配 (pm,αm)(\boldsymbol p_m,\alpha_m)(pm,αm)。

设物体真实位姿 T∈SE(3)T\in SE(3)T∈SE(3) 满足：ps=Tpm=Rpm+t\boldsymbol p_s=T\boldsymbol p_m=R\boldsymbol p_m+\boldsymbol tps=Tpm=Rpm+t。

关键几何等式推导

记：

TmT_mTm：模型侧以(pm,qm)(\boldsymbol p_m,\boldsymbol q_m)(pm,qm)构造的局部变换；
TsT_sTs：场景侧以(ps,qs)(\boldsymbol p_s,\boldsymbol q_s)(ps,qs)构造的局部变换；
Rα(α)R_\alpha(\alpha)Rα(α)：绕局部xxx轴旋转α\alphaα的旋转矩阵。

由局部坐标定义：

Tm(qm−pm)=dex,Ts(qs−ps)=dexT_m(\boldsymbol q_m-\boldsymbol p_m)=d\boldsymbol e_x,\quad T_s(\boldsymbol q_s-\boldsymbol p_s)=d\boldsymbol e_xTm(qm−pm)=dex,Ts(qs−ps)=dex

又 qs−ps=T(qm−pm)=R(qm−pm)\boldsymbol q_s-\boldsymbol p_s = T(\boldsymbol q_m-\boldsymbol p_m)=R(\boldsymbol q_m-\boldsymbol p_m)qs−ps=T(qm−pm)=R(qm−pm)，代入：

TsR(qm−pm)=Tm(qm−pm) T_s R (\boldsymbol q_m-\boldsymbol p_m)=T_m(\boldsymbol q_m-\boldsymbol p_m) TsR(qm−pm)=Tm(qm−pm)

同一矢量映射到局部x轴，相差仅绕x轴旋转：

TsR=Rα Tm T_s R = R_\alpha\, T_m TsR=RαTm

变形得到位姿闭式解：

R=Ts−1 Rα Tm(2) \boldsymbol{R = T_s^{-1}\,R_\alpha\, T_m} \tag{2} R=Ts−1RαTm(2)

平移分量由 ps=Rpm+t⇒t=ps−Rpm\boldsymbol p_s=R\boldsymbol p_m+\boldsymbol t \Rightarrow \boldsymbol t=\boldsymbol p_s-R\boldsymbol p_mps=Rpm+t⇒t=ps−Rpm 直接求出。

Hough投票原理（1维参数空间）

式(2)中：Ts,TmT_s,T_mTs,Tm 由点坐标完全确定，唯一未知量：旋转角α\alphaα。

每一组匹配PPF给出一个候选α\alphaα；
在α∈ $0,2π$ \alpha\in $0,2\\pi$ α∈ $0,2π$ 一维直方图投票；
直方图峰值对应的α∗\alpha^*α∗为最优参数，代入(2)得到最优全局位姿T∗T^*T∗。

数学本质：把6自由度SE(3)位姿求解，降维为单变量α\alphaα的一维投票问题，大幅降低搜索空间。

四、PPF离散量化与哈希数学

原始F(d,α,β,γ)\boldsymbol F(d,\alpha,\beta,\gamma)F(d,α,β,γ)是连续值，工程中离散分桶实现哈希检索：

{dbin=⌊d/Δd⌋αbin=⌊α/Δθ⌋βbin=⌊β/Δθ⌋γbin=⌊γ/Δθ⌋ \begin{cases} d_{bin}=\lfloor d/\Delta d \rfloor\\ \alpha_{bin}=\lfloor \alpha/\Delta\theta \rfloor\\ \beta_{bin}=\lfloor \beta/\Delta\theta \rfloor\\ \gamma_{bin}=\lfloor \gamma/\Delta\theta \rfloor \end{cases} ⎩ ⎨ ⎧dbin=⌊d/Δd⌋αbin=⌊α/Δθ⌋βbin=⌊β/Δθ⌋γbin=⌊γ/Δθ⌋

Δd,Δθ\Delta d,\Delta\thetaΔd,Δθ 为预设量化步长；相同bin索引视为同一特征 ，落入同一个哈希桶。

量化引入微小误差，是PPF抗噪声的工程数学基础。

五、补充推论（拓展证明）

推论1：镜像变换（反射）PPF不守恒

反射变换RRR满足R⊤R=I,det⁡(R)=−1R^\top R=I,\det(R)=-1R⊤R=I,det(R)=−1，仍保内积与范数，PPF仍然不变；因此PPF无法区分物体镜像，是算法固有数学性质。

推论2：尺度变换下PPF失效

若缩放 X′=sX(s≠1)\boldsymbol X'=s\boldsymbol X(s\neq1)X′=sX(s=1)，d′=sd≠d⇒F′≠Fd'=sd\neq d \Rightarrow F'\neq Fd′=sd=d⇒F′=F，PPF不具备尺度不变性（因此PPF仅用于等尺度刚体配准）。

六、PPF与ICP数学区别

ICP：基于点集最小二乘min⁡∥P−RQ−t∥2\min\|P-RQ-t\|^2min∥P−RQ−t∥2，依赖初始位姿，局部收敛；
PPF：几何不变特征匹配+Hough全局投票，无初值依赖、全局粗配准，数学上依靠刚体不变性跳出局部最优。