基础向:点云数据处理之关键点提取

点云关键点提取，关键点检测本质上来说，并不是一个独立的部分，它常常和特征描述联系在一起，为了减少特征提取时的搜索空间，把重点放在重要的结构上，再将特征描述和识别等操作联系在一起。

本文对点云关键点提取的一些常用算法浅述原理。

（1）尺度不变特征转换(Scale-invariant feature transform,SIFT)：

SIFT是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。

实现步骤如下：

1、尺度空间的生成。

2、检测尺度空间极值点：搜索所有尺度上的图像位置，通过高斯微分函数来识别潜在的对于尺度和旋转不变的点。

3、精确定位极值点：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。

4、为每个关键点指定方向参数。

5、生成关键点描述子。

（2）ISS(Intrinsic Shape Signatures)内部形态描述子：

1、对点云中每个点建立局部坐标系。设定一个搜索半径r。

2、确定每个点以当前点为圆心，r为半径区域内的所有点，并计算权值ω。

3、计算每个点的协方差矩阵。计算协方差矩阵的特征值{λ1，λ2，λ3}并按大小排列。

4、设置阈值ε1和ε2 ，通常值不超过1，满足λ2/λ1≤ε1, λ3/λ2≤ε2两个条件的点即为关键点。

如果某个点处于角点，则第一主特征值，第二主特征值，第三主特征值大小相差不会太大。如果点云沿着某方向致密，而垂直方向系数则有可能是边界。

这种局部坐标系建模分析的方法是基于特征值分析的特征点提取。

（3）Harris：

Harris角点算子将图像的关键点定义为角点。角点也就是物体边缘的交点。该算法利用的是点云法向量的信息。

其思想及数学推导大致如下：

在2D Harris的推导中：

1、在图像中取一个窗，如矩形窗/高斯窗。

2、获得在该窗下的灰度。

3、移动该窗，则灰度会发生变化，平坦区域灰度变化不大，边缘区域沿边缘方向灰度变化剧烈，角点处的各个方向灰度变化均剧烈。

4、依据3中条件选出角点。

2D Harris对图像灰度的协方差矩阵进行特征值求解：

1、两个特征值都很大->角点（两个响应方向）。

2、一个特征值很大，一个很小->边缘（只有一个响应方向）。

3、两个特征值都小->平原地区（响应都很微弱）。

而在点云中，没有灰度的概念。因此假定点云密度是均匀的，采用小正方体内的点云的数量变化程度作为角点的判定标准，类似2D Harris的推导过程。

在点云中的一点p：

1、以p为原点建立一个局部坐标系。（笛卡尔坐标系，Z轴为法线方向）

2、在p上建立一个小正方体。

a、如果小正方体位于边缘上，则沿边缘移动，点云的数量几乎不变，沿垂直边缘方向移动，点云的数量改变。

b、如果小正方体位于角点上，则有两个方向都会大幅改变点云数量。

某个特征值大则证明在该特征值对应的主方向上密度梯度变换明显，如果三个特征值都大，则证明该点是角点。

（4）NARF（法线对齐径向特征）：

提取过程的要求有：

a)、提取的过程要考虑边缘以及物体表面变化信息。

b)、在不同视角的关键点可以被重复探测到。

c)、关键点所在位置有足够的支持区域，可以计算描述子和进行唯一的估计法向量。

步骤如下：

1、遍历每个深度图像点，通过寻找在近邻区域有深度变化的位置进行边缘检测。

2、遍历每个深度图像点，根据近邻区域的表面变化决定（测表面变化的系数），及变化的主方向。

3、根据（2）中的主方向计算兴趣点，表征该方向和其他方向的不同，以及该处表面的变化情况，即该点有多稳定。

4、对兴趣值进行平滑滤波。

5、进行无最大值压缩找到的最终关键点，即为NARF关键点。