2D和3D特征检测与匹配相关思路梳理

一、大纲

不管是 2D 还是 3D，大家都在干三件事

① 找点（哪里值得看，检测）
② 编身份证（这个点长什么样，描述）
③ 比对身份证找对应（两张图/两片云里的同一个点，匹配）

	2D	3D
检测（找点）	FAST / Harris / Shi-Tomasi / DoG	均匀采样、半径搜索 (3D一般不强调独立检测器) 、ISS关键点、SIFT3D
描述（编身份证）	SIFT(128) / SURF(64) / ORB(256位)	SPFH、FPFH、SHOT（352维）、3DSC / Spin Image 、VFH(全局描述)
使用（对比匹配）	暴力匹配(BF)、FLANN(KD-tree加速)、距离比值检验筛选、VFH(全局描述)	SAC-IA（粗匹配，给ICP初值）、RANSAC-3点、4PCS/Super4PCS → ICP/NDT精配准 → 抓取/定位/重建

① 找点：半径搜索 + 体素降采样

② 编身份证：FPFH+ SHOT

③ 使用：SAC-IA（粗）→ ICP / point-to-plane ICP（精）→ 位姿输出

万变不离其宗的三句话：

找点 = 找"独一无二、经得起折腾"的位置
编身份证 = 只记录相对量（角度/比值/梯度方向），切 bin 投票抗噪声 → 换来不变性
使用 = 先鲁棒抽样找大致对应（粗），再纯几何迭代磨精度（精）

二、底层概念

1. bin（直方图的"格子/柱子"）

bin 就是投票箱上的一个格子，上面贴着标签

下面这个直方图里面有8个bin

直方图：把连续的数值切成一段一段，每段计数/加权计数，得到的柱状图

SIFT：角度切成 36 个 bin（每 10° 一个投票箱）
FPFH：每个角度切成 11 个 bin
"直方图"就是一排 bin 的计数结果

为什么要切成格子？

因为抗噪声------某个邻居算歪了一点，只是让某格多一票，整个柱子的"形状"基本不变。就像民意调查，个别人乱答不影响整体趋势。

2. 描述子（Descriptor）

描述子 = 这个点的身份证号码

它是一串固定长度的数字（SIFT 是 128 个数，FPFH 是 33 个数）
由该点周围的局部特征计算而来
设计目标：同一个物理点在两张图里 → 身份证几乎相同；不同点 → 身份证差异大

为什么要身份证？因为坐标没法直接比------图 A 里点在 (342,187)，图 B 里同一个点在 (521,93)，数值天差地别。但两者的身份证（周围长什么样）是一样的 → 比身份证就能找到对应。

三、2D 图像家族（SIFT / SURF / FAST / ORB）

1. 找点（特征点/角点检测）

算法	原理	特点	应用场景
Harris	窗口移动时灰度变化矩阵的行列式判角	经典、有旋转不变、无尺度不变	通用角点检测
Shi-Tomasi	取两个特征值中较小的那个（min λ)	Harris 的简化改进	光流跟踪（goodFeaturesToTrack）
FAST	16像素圆圈上连续9个点比中心亮/暗很多	极快，不求导；无尺度无旋转	实时系统、ORB 的前端
DoG（Difference of Gaussians）	多尺度高斯模糊金字塔相邻层相减找极值	尺度不变；找的不只是角点还有斑点	SIFT 的找点环节
Hessian 矩阵极值	二阶导矩阵行列式的极值（盒子滤波近似）	SURF 版的多尺度找点	SURF 的找点环节
SIFT 极值点（完整版）	DoG 多尺度 + 亚像素精修 + 边缘剔除	最稳但最慢	高精度离线匹配

①Harris

思路：拿一个小窗口在图上滑，统计窗口往 x、y 方向移动时灰度变化的剧烈程度，打包成一个 2×2 矩阵 M。

两个方向变化都猛 → 两个特征值都大 → 角点
一个猛一个平 → 边缘
都平 → 空白
用打分公式 det(M) − k·tr(M)² 代替直接算特征值，一张响应图出来后取局部极大值。

核心思想：角点 = "往哪推窗都变脸"的点。

②Shi-Tomasi

思路：和 Harris 一模一样的矩阵 M，但打分更简单粗暴------直接取两个特征值里较小的那个 min(λ₁, λ₂)。

逻辑：一个方向变化再猛，只要另一个方向平（小特征值小），就不算好角点
"木桶效应"打分，实测比 Harris 更稳定 → OpenCV 光流跟踪的默认找点法

③FAST

思路：不求导、不建矩阵，纯比亮度。

圆圈上取 16 个像素，先测 1 和 9 号（上下左右）------如果都和中心差不太多，直接淘汰（省算力）
否则继续测：连续 9 个点都比中心亮 20% 以上（或暗 20% 以上）→ 宣布这是角点
再对所有角点打分、非极大值抑制去重

核心思想：角点处的圆圈必然"半边亮半边暗"------一条规则测到底，快到能实时。

缺点：噪声敏感、没有方向和尺度。

④DoG 金字塔（SIFT 的找点）

思路：同一个东西近拍大、远拍小，只在原图找会漏 → 建"多层模糊"金字塔全找一遍。

图像反复高斯模糊（σ 递增），叠成金字塔
相邻两层相减 → DoG 图（突出"这一层尺度特有的边缘斑点"）
每个像素和本层 8 邻居 + 上下两层各 9 个邻居（共 26 个）比大小 → 局部极值 = 关键点
亚像素精修 + 剔除边缘响应点

核心思想：眯眼看找轮廓、睁眼看细节------两种视力下都显眼的才是真特征。

⑤Hessian 矩阵极值（SURF 的找点）

思路：和 DoG 同构，但把"高斯模糊+相减"换成 Hessian 矩阵（二阶导）行列式的极值，且用盒子滤波近似------方块核代替圆滑核，配合积分图让任意尺度的滤波都是 O(1)。

核心思想：用"粗糙但极快"的近似换速度，金字塔搭建成本从贵变白菜价。

2. 编身份证（描述子）

描述子	维度/形式	核心思想	特点
SIFT	128 维浮点	主方向对齐 + 4×4 格子 × 8 方向梯度直方图（bin投票）	祖师爷：尺度+旋转不变，精度高，慢
SURF	64 维浮点	盒子滤波+积分图近似，Haar 小波响应统计	SIFT 加速 3 倍，精度小降
ORB	256 位 0/1 串	FAST找点 + 主方向 + Rotated BRIEF	快上百倍、免费、够用 → SLAM 标配

①SIFT（祖师爷，128维）

定位：2D 特征点检测 + 描述的开山经典（1999 年），后面所有算法都是它的变体。

完整流程四步（用外卖小哥认人打比方）：

① DoG 金字塔 找关键点 → "在人群里锁定值得看的目标"

② 精修+去模糊点 → "站稳了，别晃"

③ 统计主方向 → "看他面朝哪边"（旋转不变的来源），统计关键点周围像素的梯度方向直方图（36 个 bin），最高柱子的方向 = 该点朝向 → 后续一切都相对它算 → 旋转不变

④ 编 128 维身份证 → "记下他的衣着特征组合"

"尺度不变"怎么实现：远看近看都是同一个人 → 因为在多个模糊程度（尺度）上都找过一遍。

核心思想：把"我周围的明暗走向分布"按自己的朝向摆正后记下来------转了、放大了，这本账都不变。

补充：DoG 金字塔（检测环节的核心）

把照片故意模糊成一摞"近视眼看到的版本"，从最清晰到最模糊层层叠起来，像金字塔一样，在每一层里找亮点。

复制代码

   △ 最模糊（σ=8）  ← 只剩大轮廓
  △△ 中模糊（σ=4）   ← 中等结构
 △△△ 较清晰（σ=2）
△△△△ 最清晰（σ=1）   ← 满地细节

高斯模糊：让图像变"糊"，细节被抹掉 → 模拟"眯眼看"
DoG（高斯差分）：相邻两层相减模糊₁ − 模糊₂ → 抵消共同部分，留下的就是"这一层尺度特有的信息（边缘、斑点）
在每层 DoG 里找局部极值点 → 这些点是"在某个模糊程度下最显眼的结构"

为什么需要它：同一个角点，近拍占 50 像素、远拍占 5 像素------只在原图找，远的就丢了。多尺度全找一遍，远近通吃。

打比方：找人时，既戴 normal 眼镜看细节，也眯眼看看轮廓------两种"视力"下都显眼的，才是真特征。

②SURF（SIFT 的加速版）

SIFT 效果好但计算贵（要一层层做模糊+找极值），SURF 用"作弊技巧"把它提速 3 倍

思路：完全模仿 SIFT 流程，但每一步都用"近似+积分图"提速：

尺度：盒子滤波（矩形求和）代替高斯
方向：邻域 Haar 小波响应在 x/y 投影取最大方向
描述子：统计 Haar 响应在 4×4 格子里 x/y 方向的和与平方和 → 每格 4 个数 → 64 维

核心思想：SIFT 的平替------"差不多的信息，用便宜的计算"。

核心两点：

盒子滤波：高斯模糊的圆滑核 → 换成粗糙的方块核（矩形求和）
积分图：预先算好"前缀和"，之后任何矩形区域的和 = 4 次加减查表，不管矩形多大

描述子从 128 维砍到 64 维，速度快 3 倍，精度略降。

SURF ≈ SIFT 的"经济适用版"

补充：FAST（只管"找点"，不管"描述"）

原理极其简单粗暴：

取一个点 P，围绕它画 16 个像素的圆圈：

如果圈上【连续 9/16 个点】都比 P 亮很多（或暗很多） → P 是角点！报警！

优点：不求导、不建金字塔，快到能实时跑
缺点：只会说"这里有角点"，不会描述它长什么样；对噪声敏感；没有尺度/旋转不变性
定位：流水线里的安检门------只负责"有没有"，不负责"是谁"

③ORB（FAST + 描述子的组合拳，SLAM 主力）

ORB（Oriented FAST and Rotated BRIEF）的组装：

FAST 负责快速找角点
给角点加主方向（解决旋转不变）
描述子用 BRIEF：不再算直方图，而是在关键点周围随机选 256 对位置，每对比大小------亮=1，暗=0 → 得到 256 位的 0/1 串
比对 0/1 串用异或（XOR）------CPU 一条指令搞定，比欧氏距离快百倍

核心思想：FAST 的快 + SIFT 的不变性框架 + BRIEF 的二进制比对 = 免费且够用，SLAM 首选。

SIFT（精度高、最慢）→ SURF（快3倍，精度小降）→ ORB（快上百倍，精度够用）← 所以 ORB 是视觉 SLAM 标配（vins-mono、ORB-SLAM 全用它）

3. 使用（匹配与应用）

方法	原理	特点
暴力匹配 BF	每个描述子和所有候选逐一算距离	简单，O(N²)，点少时用
FLANN	KD-tree/LSH 索引加速检索	大规模匹配标配，快几个量级
比值检验	最近距离/次近距离 < 0.8 才收	Lowe 提出，剔除模糊匹配
RANSAC 后处理	随机抽样剔除误匹配点对	去除外点，求单应矩阵/基础矩阵

①暴力匹配 BF

思路：图 A 每个描述子，逐个和图 B 所有描述子算欧氏（或汉明）距离，最近的就是候选。

O(N×M)，简单可靠，点少时用。

②FLANN

思路：先建索引再查------把图 B 的描述子建 KD-tree（浮点型）或 LSH（二进制型），查询时按树剪枝，不用逐个比。百万级匹配快几个量级。"近似最近邻"------允许漏掉一点点最优，换数量级速度。

③Lowe比值检验

思路：误匹配往往"最近的和次近的差不多"（这个描述子跟谁都像 → 它其实没辨识度）。

规则：最近距离 / 次近距离 < 0.7~0.8 才收下。用"自信度"筛人：只有明显比第二名强的才算真匹配。

④RANSAC（剔误匹配 / 求变换）

思路：和点云拟合同款思想------随机抽 4 对点算单应矩阵 → 数有多少点对支持这个矩阵（投影误差小）→ 重复上千次取票王。

核心思想：让模型和大多数数据投票一致，少数误匹配是搅不动大盘的。

四、3D 点云家族（SPFH → FPFH / SHOT / SAC-IA）

1. 找点（关键点/邻域选取）

3D 和 2D 的最大区别：点云每个点自带 xyz + 法向量，几何信息天然存在，所以一般不做独立的"角点检测"

方法	原理	原图
半径搜索 / K近邻	以某点为中心取半径 r 内所有点	算法线/FPFH 的基础操作
均匀采样 / 体素降采样	网格里每格保留一个代表点	加速、去冗余
ISS 关键点	邻域协方差矩阵特征值（类似 3D Harris）取显著点	减少参与配准的点数

工业实际做法：通常不挑关键点，全点算 FPFH + 降采样控速------简单粗暴且够用。

①半径搜索 / K近邻

思路：KD-tree（3D 空间八叉/二叉分割）索引点云，查询"距 p 点 r 内所有点 / 最近 k 个点"------算特征前圈定邻域的基础设施，本身不是检测算法。

②均匀采样 / 体素降采样

思路：把空间切成小立方体（体素），每格只留一个代表点（或质心）。点云从千万级降到十万级，密度均匀 → 后续计算提速且不偏科。

③ISS 关键点

思路：3D 版 Harris------对每个点的邻域算协方差矩阵，取特征值：

三个特征值都大 → 邻域在各方向都"张开" → 几何显著点（3D角点）
按 λ₃/λ₁ 阈值筛 + 非极大值抑制
核心思想：把 2D 的"两个方向都变脸"推广到 3D 的"三个方向都张开"。

2. 编身份证（3D 描述子）

描述子	维度	核心思想	特点
PFH	~125+ 维	邻域内每对点互相算角度四元组 → 直方图	最原始，O(k²) 慢，已被淘汰
SPFH	33维	PFH 的拆解版：每点只和自己邻居算（省掉两两互算）	FPFH 的原料/半成品
FPFH	33维	SPFH + 邻居SPFH距离加权汇总（信息传播一跳）	速度与精度均衡 → 工业主力
SHOT	352 维	稳定 LRF 参考框架 + 空间 32 格子 × 法向 11 bin	罗盘稳、区分度强；慢 10 倍

配准找对应 → FPFH（默认）/ SHOT（精度优先）
物体识别（"这是什么"）→ VFH 系列全局描述
点太多要提速 → 先 ISS 关键点或降采样

①PFH（开山鼻祖，已淘汰）

思路：取点 p 的邻域，邻域内每两个点 (qᵢ, qⱼ) 组成一对：

用 qᵢ 的法向建局部坐标系
算三个角度 (α, φ, θ) + 距离 d
每个量切 bin 投票 → 所有点对的结果累加成直方图
k 个点有 k²/2 对 → O(k²)，太慢 → 被 SPFH 取代。

②SPFH（FPFH 的原料）

SPFH = 单个点"只看自己直接邻居"统计出的 33 维小直方图。

思路：把 PFH 拆两步走的第一步------每个点只和自己的直接邻居算 (α, φ, θ)，不搞两两互算 → 复杂度降到 O(k)。

3 个角度 × 11 bins = 33 维。缺陷：p 不知道"邻居的邻居"，信息闭塞。

计算过程：

点 p 和每个邻居 q 组成一对
用 p 的法向量建一个局部坐标系（像给 p 建了个"自己专用的罗盘"）
在这个罗盘里量三个角度：α（邻居法向扭转）、φ（邻居方位）、θ（第三个夹角）
每个角度切 11 个 bin 投票 → 3 × 11 = 33 维直方图
对所有邻居累加 → p 的 SPFH

为什么旋转后身份证不变？因为量的是"我和邻居之间的相对夹角"------整片点云转 90°，我跟邻居的相对夹角纹丝不动。这就是"局部坐标系"的魔法。

SPFH 的缺陷：信息闭塞------p 只知道自己的直接邻居，不知道"邻居的邻居"。两个几何环境相似但更大范围不同的点，SPFH 可能长得一样 → 区分度不够。

③FPFH（Fast Point Feature Histogram）

FPFH = SPFH + 邻居们的经验汇总，专门治"信息闭塞"。

FPFH(p) = 自己的SPFH + (1/k) × Σ [距离权重 × 邻居的SPFH]，离得近的邻居，发言权大

相当于：先每人各自填一张表（SPFH），再把周围人的表按远近加权抄一抺进自己的（FPFH）------信息传播了一跳，区分度立刻上来了。

"Fast" 名字的由来：它的前身 PFH 要对邻域内每两个点都算交互（k 个点要算 k² 次），FPFH 拆成"各算各的 SPFH（k 次）→ 再加权合并"，复杂度从 O(k²) 降到 O(k)------快了一个数量级，精度只掉一点。

33 维、速度快、最常用------工业粗配准默认选它。

④SHOT（Signature of Histograms of Orientations）

SHOT = 更豪华、更稳定的身份证（352 维），专治 FPFH 的"罗盘翻转"问题。

FPFH 的软肋：局部坐标系靠单个法向量撑起来------在对称面、平坦区，法向量可能翻转 180° → 罗盘指向反了 → 身份证算出来也反了 → 匹配失败。

SHOT 的解法：

换更稳的罗盘（LRF 局部参考框架）：不用单个法向，而是统计整个邻域点分布的协方差矩阵，特征值分解出三个稳定轴------由"一群点"共同决定方向，单个噪声点翻不了天
切更细的格子：以点为中心把空间切成 2(方位)×8(仰角)×2(径向) = 32 个小格子
每个格子里统计法向分布（各 11 bin）→ 32 × 11 = 352 维

思路三步：

建稳罗盘 LRF：对邻域点的协方差矩阵做特征分解 → 得到三个稳定轴（由整个邻域共同决定，法向翻转也不怕）
切空间格子：以点为中心，方位 2 × 仰角 8 × 径向 2 = 32 个格子
每格投票：统计格内点法向与三轴的夹角直方图（11 bins）→ 32 × 11 = 352 维
核心思想：罗盘更稳（LRF）+ 分区更细（32格）→ 区分度碾压 FPFH，代价是慢 10 倍。

④SPFH、FPFH和SHOT对比

	SPFH	FPFH	SHOT
角色	原料/半成品	成品·主力	成品·豪华
维度	33	33	352
信息范围	只看直接邻居	+邻居的邻居	整个邻域的空间分布
罗盘	法向（会翻）	法向（会翻）	LRF（稳）
速度	快	快	慢 10 倍
适用	-	点多、要快	精度优先、点云干净

3. 使用（配准与应用）

方法	角色	原理一句话	特点
SAC-IA	粗配准	FPFH 身份证匹配 + 随机抽样 + Huber打分取最优	不精确但给初值；用描述子的算法
RANSAC-3点	粗配准	随机3对点→验三角形边长一致→内点投票	快、纯几何（可不用描述子）
4PCS / Super4PCS	粗配准	共面4点集"比例一致"解析求变换	低重叠率时鲁棒
ICP	精配准	最近邻对应 + SVD 求 R,T 迭代	纯几何（不用身份证）；初值敏感
point-to-plane ICP	精配准	残差只算沿法向的穿透深度	收敛更快（二次收敛）
GICP	精配准	马氏距离统一点对点/点对面	精度好，SLAM常用
NDT	精配准/定位	体素内高斯分布匹配	大规模点云稳

①SAC-IA（粗配准）

SAC-IA = 粗配准的媒人------拿着 FPFH/SHOT 身份证，在两片点云之间随机抽样配对，找出一个"大致对齐"的变换，给 ICP 当起点。

注意它的定位：SAC-IA 是使用描述子的算法，它自己不编身份证------身份证是 FPFH 算的。

四步流程（相亲版）：

① 从源点云随机挑 n 个"征婚者"（要求彼此距离够远 → 身份证各不相同）

② 拿每人的 FPFH 身份证去目标点云里海选 → 找到"身份证相似"的候选 → 随机配一个

③ 用这批配对算一个刚体变换（转+移）

④ 打分：变换后所有配对点的距离误差和（Huber 罚函数）→ 重复①~④上千次，取分最高那次的变换

核心思想：身份证配对 + 大力出奇迹（随机多试几次）→ 不求精确，只求"大致摆对"给 ICP 当起点。

结果特点：大致对齐但不精确（误差可能毫米~厘米级）→ 只能当粗配准，正好喂给 ICP 做精修。

②RANSAC-3 点（粗配准）

思路：纯几何、不用身份证

随机抽 3 对点
检查三角形边长是否一致（源三角形 ≈ 目标三角形 → 才可能是真对应）
一致 → 算变换 → 数内点（变换后重合的点数）
重复取票王

核心思想：3 个点定一个刚体变换，"三角形形状对得上"就是最朴素的验证。

③4PCS / Super4PCS（粗配准）

思路：在源点云里找共面的 4 个点组成基，目标点云里搜"对应边长度比例相同"的 4 点集（比例在刚体变换下不变）→ 解析求变换 → RANSAC 验证。

核心思想：用"4点比例不变量"代替特征描述子 → 在重叠率很低（特征都对不上）时仍能工作。 Super4PCS 把搜索从 O(n²) 优化到 O(n)。

④ICP（精配准）

思路（四步循环，纯几何不看身份证）：

源点云每个点，在目标里找最近邻 → 假装它们是对应的
丢掉距离超过阈值的差对
SVD 解最优 R,t：让所有点对的平方距离和最小（H = Σ(p−p̄)(q−q̄)ᵀ → R = VUᵀ）
应用变换 → 回到第 1 步，直到变化量 < ε

核心思想："先假定最近的就是对应的 → 据此求最优变换 → 变换后对应更准了 → 再来一轮"------期望最大化(EM)思想的几何版。

死穴：初值差就陷局部最优（所以要 SAC-IA 先摆个大概）。

⑤point-to-plane ICP（精配准变体）

思路：改误差度量------不算点到点的完整 3D 距离，只算源点沿目标点法向方向的穿透深度 nᵀ(p−q)。

直觉：表面上"谁挨着谁"本来就分不清（沿面滑动无伤大雅），只有"扎进去多深"是硬伤 → 约束少 → 收敛快（接近二次收敛）。代价：要法向量。

⑥GICP（精配准变体）

思路：把 point-to-point 和 point-to-plane 统一------给每对点之间建一个协方差矩阵，用马氏距离（考虑了各方向的不确定性）代替欧氏距离。形式优雅、精度好，激光 SLAM 常用。

⑦NDT（正态分布变换）

思路：反着来------不匹配点，匹配分布。

把目标点云装进体素格子，每格统计高斯分布（均值+协方差）
源点云变换后，看每个点"落在目标各格高斯分布里的概率"
优化变换使总概率最大（牛顿法迭代）

核心思想：把目标点云变成一张"概率地形图"，源点云往概率高的山头爬。对初值比 ICP 宽容，适合大场景定位。

四、全景联系图

1. 2D 图像线

找点: FAST(快报警) / DoG金字塔(SIFT的多尺度找点) / Hessian(SURF的找点)

↓

编身份证: SIFT(128维,祖师爷) → SURF(64维,加速版) → ORB(256位0/1串,极速版)

↓

使用: 两图匹配对应像素点 → 全景拼接/SLAM/识别

2. 3D 点云线

找点: 半径搜索/均匀采样(3D一般不单独强调检测)

↓

编身份证: SPFH(原料,只看邻居) → FPFH(成品,33维,主力)

→ SHOT(豪华,352维,稳)

↓

使用: SAC-IA(拿身份证配对→粗配准初值) → ICP(纯几何精配准) → 6DoF位姿

五、对应关系

2D	3D	共性
bin（投票格子）	bin（投票格子）	直方图抗噪声
SIFT 描述子	FPFH/SHOT 描述子	局部相对几何 → 编成身份证 → 不变性
DoG 金字塔（多尺度找点）	法向量估计（多邻域半径）	"看多大范围"决定抓到什么
ORB 的 FAST 找点	半径搜索找邻域	先确定"看哪里"
暴力匹配 + 比值筛选	SAC-IA 相似检索	比对身份证找对应
用于：拼接/SLAM 前端	用于：粗配准给 ICP 初值	都是"先找到大致对应"

拍了两张图 / 扫了两片点云，要对齐它们：

先找点------2D 用 FAST/DoG 在图里找显眼的角点斑点；3D 在点云里取有代表性的点
编身份证------围绕每个点统计"周围长什么样"：
- 2D：数梯度方向投票 → 切成 bin → SIFT 128 维（祖师爷）/ SURF 64 维（加速）/ ORB 0/1 串（极速）
- 3D：量"我和邻居法向的夹角"投票 → SPFH 半成品 → FPFH 33 维（加邻居汇总）/ SHOT 352 维（换稳罗盘+切更细）
比身份证找对应------2D 直接最近邻+比值筛；3D 用 SAC-IA 抽样配对打分 → 得到粗配准
精修------把粗配准结果喂给 ICP，纯几何迭代磨到毫米级 → 拿到最终位姿

流程：

找点 → 编身份证（bin 投票成直方图 = 描述子）→ SAC-IA 比身份证做粗配准 → ICP 精修；2D 线的同构版本是 DoG/FAST → SIFT/SURF/ORB → 匹配。

六、总结

【2D】

复制代码

找点:  Harris/Shi-Tomasi(梯度统计)  FAST(亮度规则)  DoG(多尺度差分)
         └────────────── 都在回答"λ₁ λ₂ 是不是都大 / 哪层最显眼"

身份证:  SIFT(梯度直方图128) → SURF(积分图近似64) → ORB(FAST+方向+二进制256)
         └────────────── 都在回答"把我周围的明暗模式按不变的方式记下来"

使用:    BF/FLANN检索 → 比值检验 → RANSAC剔误匹配 → 求H矩阵对齐

【3D】

复制代码

找点:  半径搜索/降采样(基础设施)   ISS(3D版Harris,少用)

身份证:  PFH(两两互算,k²太慢) → SPFH(只看邻居,半成品) → FPFH(+邻居汇总,33维主力)
                                                    ↘ SHOT(稳LRF+32格,352维豪华)
         └────────────── 都在回答"量我和邻居法向的夹角,切bin投票"

使用:    SAC-IA(身份证配对,粗) ─┐
         RANSAC-3点(三角形验证,粗) ├→ 给 ICP/NDT(纯几何,精) 当初值 → 6DoF位姿
         4PCS(4点比例,低重叠粗)  ─┘