随着激光雷达，RGBD相机等3D传感器在机器人，无人驾驶领域的广泛应用。
针对三维点云数据的研究也逐渐从低层次几何特征提取（ PFH, FPFH,VFH等）向高层次语义理解过渡（点云识别，语义分割）。与图像感知领域深度学习几乎一统天下不同，针对无序点云数据的深度学习方法研究则进展缓慢。分析其背后的原因，不外乎三个方面：
1.点云具有无序性。受采集设备以及坐标系影响，同一个物体使用不同的设备或者位置扫描，三维点的排列顺序千差万别，这样的数据很难直接通过End2End的模型处理。
2.点云具有稀疏性。在机器人和自动驾驶的场景中，激光雷达的采样点覆盖相对于场景的尺度来讲，具有很强的稀疏性。在KITTI数据集中，如果把原始的激光雷达点云投影到对应的彩色图像上，大概只有3%的像素才有对应的雷达点。这种极强的稀疏性让基于点云的高层语义感知变得尤其困难。
https://robotica.unileon.es/index.php?title=PCL/OpenNI_tutorial_4: 3D_object_recognition (descriptors)
数据与特征决定了机器学习的上限，
模型/算法/参数只是来逼近这个上限。
; 0: 分类方式
按照特征的物理属性，可以将特征分为：几何域，强度域。
按照特征的空间尺度，可以分为：单点特征，局部特征，全局特征。
1：传统特征
在点云分类任务中，可直接利用特征向量训练SVM或者多层感知机来进行分类，而在以点为单位的点云分割或者分块任务中，需要结合每一点的局部特征和全局特征进行特征融合和处理，实现逐点的分类。
单点特征
主要有：三维坐标（X, Y, Z）, 回波强度 Intensity, 法线 （Nx，Ny，Nz），主曲率（PCx, PCy, PCz, 及两个特征值 PC1, PC2）
局部特征
（一）几何域
局部特征常见的有各种几何特征描述子：PFH，FPFH，SHOT，C-SHOT，RSD，3D形状描述子等。
点特征直方图(Point Feature Histograms)
点特征直方图（PFH）表示法是基于点与其k邻域之间的关系以及它们的估计法线，简言之，它考虑估计法线方向之间所有的相互作用，试图捕获最好的样本表面变化情况，以描述样本的几何特征。
#include
#include
...
pcl::PointCloud<pcl::PointXYZ>::Ptrcloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::Normal>::Ptrnormals(new pcl::PointCloud<pcl::Normal>());
...
pcl::PFHEstimation<pcl::PointXYZ,pcl::Normal,pcl::PFHSignature125> pfh;
pfh.setInputCloud(cloud);
pfh.setInputNormals(normals);
pcl::KdTreeFLANN<pcl::PointXYZ>::Ptrtree(new pcl::KdTreeFLANN<pcl::PointXYZ>());
pfh.setSearchMethod(tree);
pcl::PointCloud<pcl::PFHSignature125>::Ptrpfhs(new pcl::PointCloud<pcl::PFHSignature125>());
pfh.setRadiusSearch(0.05);
pfh.compute(*pfhs);
（二）强度域
强度梯度（IGx, IGy, IGz)：
全局特征
（一）几何域
常见的几何域全局特征有：
PFH:
VFH：Viewpoint Feature Histogram
CVFH：在VFH基础上解决了点云残缺的问题。
发展历程：PFH、 FPHF、VFＨ
PFH点特征的描述子一般是基于点坐标、法向量、曲率来描述某个点周围的几何特征。用点特征描述子不能提供特征之间的关系，减少了全局特征信息。因此诞生了一直基于直方图的特征描述子：PFH–point feature histogram（点特征直方图）。
PFH通过参数化查询点和紧邻点之间的空间差异，形成了一个多维直方图对点的近邻进行几何描述，直方图提供的信息对于点云具有平移旋转不变性，对采样密度和噪声点具有稳健性。PFH是基于点与其邻近之间的关系以及它们的估计法线，也即是它考虑估计法线之间的相互关系，来描述几何特征。
统计点对直接的关系，所有的四元组将会以某种统计的方式放进直方图中
通过点对数据，转为四组值，
把两点和它们法线相关的12个参数（xyz坐标值和法线信息）减少到4个。
如下方式：
`cpp
include
include
Original: https://blog.csdn.net/nh54zyt/article/details/122185176
Author: SensorFusion
Title: 点云特征提取及分类、VFH、SVM、CNN
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/667521/
转载文章受原作者版权保护。转载请注明原作者出处！