PCL从理解到应用【09】 点云特征 | 关键点提取 | 方法汇总

最新推荐文章于 2025-06-06 15:01:44 发布
最新推荐文章于 2025-06-06 15:01:44 发布
阅读量3.9k 收藏 60
点赞数 34
CC 4.0 BY-SA版权
分类专栏： 点云PCL从理解到应用 文章标签： PCL从理解到应用 点云特征 关键点提取 方法汇总
© 本文为博主原创文章，未经博主允许不得转载；请联系博主@一颗小树（国溥）
本文链接：https://blog.csdn.net/qq_41204464/article/details/140890168

前言

在PCL中，有多种方法和函数可以用来提取点云特征，本文介绍关键点提取。

提取点云关键点，本文介绍的方法包括：SIFT、Harris、NARF、ISS和SUSAN。

Harris 提取点云关键点，效果如下图所示：

白色点是原始的点云（兔子），绿色点是Harris提取的点云关键点。

1、SIFT 提取点云关键点

基本原理：

  • SIFT算法的设计目的是在点云中，不同尺度和旋转角度下稳定地检测特征点。
  • 主要步骤包括：
    1. 构建尺度空间，通过高斯模糊和降采样生成不同尺度的图像。
    2. 在不同尺度图像中计算高斯差分（Difference of Gaussian, DoG），检测极值点。
    3. 对每个极值点进行精确定位，通过滤除低对比度点和边缘响应点，保留稳定的关键点。
    4. 为每个关键点分配主方向，使其具有旋转不变性。
    5. 基于关键点周围的梯度方向和幅值，生成特征描述子。

使用场景：

  • SIFT关键点适用于需要在尺度和旋转变化下保持不变的应用，例如物体识别和点云匹配。

示例代码：

#include <pcl/point_types.h>
#include <pcl/keypoints/sift_keypoint.h>
#include <pcl/io/pcd_io.h>

// 提取SIFT关键点的函数
pcl::PointCloud<pcl::PointWithScale>::Ptr extractSIFTKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 创建SIFT关键点检测对象
    pcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift;

    // 创建KdTree用于加速搜索
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
    sift.setSearchMethod(tree);

    // 设置尺度参数
    // 第一个参数是初始尺度，
    // 第二个参数是尺度的数量，
    // 第三个参数是尺度之间的倍数关系
    sift.setScales(0.01f, 3, 2);

    // 设置最小对比度（用于过滤掉对比度太低的关键点）
    sift.setMinimumContrast(0.0f);

    // 设置输入点云
    sift.setInputCloud(cloud);

    // 创建一个点云对象用于存储关键点
    pcl::PointCloud<pcl::PointWithScale>::Ptr keypoints(new pcl::PointCloud<pcl::PointWithScale>);

    // 计算SIFT关键点
    sift.compute(*keypoints);

    // 返回关键点
    return keypoints;
}

2、Harris 提取点云关键点

基本原理：

  • Harris角点检测器通过计算图像中每个点云的自相关矩阵来找到角点（特征点）。
  • 主要步骤包括：
    1. 计算每个像素点的梯度信息。
    2. 根据梯度信息构建自相关矩阵。
    3. 计算响应函数R，响应函数R的高值表示可能的角点。
    4. 对响应函数进行非极大值抑制，得到角点位置。

使用场景：

  • Harris关键点适用于需要检测点云中局部几何特征显著点的应用，如点云配准和运动检测。

示例代码：

#include <pcl/point_types.h>
#include <pcl/keypoints/harris_3d.h>
#include <pcl/io/pcd_io.h>

// 提取Harris关键点的函数
pcl::PointCloud<pcl::PointXYZI>::Ptr extractHarrisKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 创建Harris关键点检测对象
    pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris;

    // 设置非极大值抑制（用于去除非局部最大值点）
    harris.setNonMaxSupression(true);

    // 设置搜索半径
    harris.setRadius(0.01);

    // 设置输入点云
    harris.setInputCloud(cloud);

    // 创建一个点云对象用于存储关键点
    pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints(new pcl::PointCloud<pcl::PointXYZI>);

    // 计算Harris关键点
    harris.compute(*keypoints);

    // 返回关键点
    return keypoints;
}

3、NARF 提取点云关键点

基本原理：

  • NARF关键点检测器结合点云的边界特征和法线方向来检测关键点。
  • 主要步骤包括：
    1. 将点云转换为深度图像（Range Image）。
    2. 提取深度图像的边界信息。
    3. 基于边界信息和法线方向，检测具有显著特征的关键点。

使用场景：

  • NARF关键点适用于环境感知和机器人导航等需要高鲁棒性的场景。

示例代码：

#include <pcl/point_types.h>
#include <pcl/range_image/range_image.h>
#include <pcl/keypoints/narf_keypoint.h>
#include <pcl/io/pcd_io.h>

// 提取NARF关键点的函数
pcl::PointCloud<int>::Ptr extractNARFKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 设置角度分辨率（以弧度为单位）
    float angular_resolution = pcl::deg2rad(1.0f);

    // 设置坐标系框架
    pcl::RangeImage::CoordinateFrame coordinate_frame = pcl::RangeImage::CAMERA_FRAME;

    // 设置噪声水平
    float noise_level = 0.0;

    // 设置最小范围
    float min_range = 0.0f;

    // 设置边界大小
    int border_size = 1;

    // 创建范围图像对象
    pcl::RangeImage range_image;

    // 从点云创建范围图像
    range_image.createFromPointCloud(*cloud, angular_resolution, pcl::deg2rad(360.0f), pcl::deg2rad(180.0f), Eigen::Affine3f::Identity(), coordinate_frame, noise_level, min_range, border_size);

    // 创建边界提取器对象
    pcl::RangeImageBorderExtractor range_image_border_extractor;

    // 创建NARF关键点检测对象
    pcl::NarfKeypoint narf_keypoint_detector;

    // 设置范围图像边界提取器
    narf_keypoint_detector.setRangeImageBorderExtractor(&range_image_border_extractor);

    // 设置范围图像
    narf_keypoint_detector.setRangeImage(&range_image);

    // 设置支持大小参数
    narf_keypoint_detector.getParameters().support_size = 0.2f;

    // 创建一个点云对象用于存储关键点索引
    pcl::PointCloud<int>::Ptr keypoints_indices(new pcl::PointCloud<int>);

    // 计算NARF关键点
    narf_keypoint_detector.compute(*keypoints_indices);

    // 返回关键点索引
    return keypoints_indices;
}

4、ISS 提取点云关键点

基本原理：

  • ISS关键点检测器通过分析点的局部几何特征来确定关键点。
  • 主要步骤包括：
    1. 计算每个点的局部协方差矩阵。
    2. 通过协方差矩阵的特征值和特征向量，分析局部几何特征。
    3. 根据特征值的显著性和稳定性，选择关键点。

使用场景：

  • ISS关键点适用于点云数据噪声较少，且需要提取稳定几何特征的场景。

示例代码：

#include <pcl/point_types.h>
#include <pcl/keypoints/iss_3d.h>
#include <pcl/io/pcd_io.h>

// 提取ISS关键点的函数
pcl::PointCloud<pcl::PointXYZ>::Ptr extractISSKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 创建ISS关键点检测对象
    pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss_detector;

    // 设置显著半径（影响关键点的选择）
    iss_detector.setSalientRadius(0.05);

    // 设置非极大值抑制半径（用于抑制局部非最大值）
    iss_detector.setNonMaxRadius(0.05);

    // 设置两个阈值，用于控制特征值之间的比率
    iss_detector.setThreshold21(0.975); // 阈值21
    iss_detector.setThreshold32(0.975); // 阈值32

    // 设置最小邻居数（用于过滤孤立点）
    iss_detector.setMinNeighbors(5);

    // 设置输入点云
    iss_detector.setInputCloud(cloud);

    // 创建一个点云对象用于存储关键点
    pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints(new pcl::PointCloud<pcl::PointXYZ>);

    // 计算ISS关键点
    iss_detector.compute(*keypoints);

    // 返回关键点
    return keypoints;
}

5、SUSAN 提取点云关键点

基本原理：

  • SUSAN关键点检测器通过分析云点周围的强度或距离一致性来检测特征点。
  • 主要步骤包括：
    1. 为每个点定义一个圆形邻域。
    2. 计算邻域内与中心点强度或距离相似的点的数量。
    3. 基于相似点的数量，判断该点是否为特征点。

使用场景：

  • SUSAN关键点适用于需要提取局部特征显著点的应用，如点云处理中的特征检测。

示例代码：

#include <pcl/point_types.h>
#include <pcl/keypoints/susan.h>
#include <pcl/io/pcd_io.h>

// 提取SUSAN关键点的函数
pcl::PointCloud<pcl::PointXYZI>::Ptr extractSUSANKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 创建SUSAN关键点检测对象
    pcl::SUSANKeypoint<pcl::PointXYZ, pcl::PointXYZI> susan;

    // 设置搜索半径
    susan.setRadius(0.01);

    // 设置输入点云
    susan.setInputCloud(cloud);

    // 创建一个点云对象用于存储关键点
    pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints(new pcl::PointCloud<pcl::PointXYZI>);

    // 计算SUSAN关键点
    susan.compute(*keypoints);

    // 返回关键点
    return keypoints;
}

6、方法总结

提取点云关键点，本文介绍的方法包括：

  1. SIFT (Scale-Invariant Feature Transform)
  2. Harris Keypoints
  3. NARF (Normal Aligned Radial Feature)
  4. ISS (Intrinsic Shape Signatures)
  5. SUSAN (Smallest Univalue Segment Assimilating Nucleus)

对比一下5种点云关键点算法，如下表格所示：

方法简介特点时间复杂度优点缺点
SIFT基于尺度不变特征变换，检测不同尺度和旋转不变的关键点尺度不变性、旋转不变性高在尺度和旋转变化下稳定，对噪声有较强的鲁棒性计算复杂度高，占用内存大
Harris基于自相关矩阵计算角点，检测局部几何特征显著点非极大值抑制中检测速度快，能有效检测角点对噪声敏感，缺乏尺度不变性
NARF结合点云的边界特征和法线方向，通过深度图像提取关键点法线和边界信息结合，鲁棒性高中对边界和法线特征敏感，适用于环境感知和机器人导航需要生成深度图像，计算复杂度较高
ISS通过分析点的局部几何特征，选择特征值显著且稳定的关键点几何特征分析，特征值比率中能检测出稳定的几何特征点，对噪声不敏感计算复杂度较高，在密集点云上效率较低
SUSAN通过分析邻域内与中心点强度或距离相似的点，检测局部特征显著点基于强度或距离一致性低计算简单，适用于实时处理对特征点的准确性依赖于参数设置，对不同数据集需要调整参数

7、实践应用——Harris 提取点云关键点

对输入的PLY文件进行Harris特征提取，并分别可视化原图和特征提取后的效果。

代码思路：

  • 包含头文件：包含PCL的点类型、IO操作、可视化和Harris关键点提取的头文件。
  • 提取Harris关键点的函数：定义extractHarrisKeypoints函数，用于从输入点云中提取Harris关键点。
  • 主函数：
    • 直接在代码中指定PLY文件的路径。
    • 创建点云对象并读取PLY文件。
    • 调用extractHarrisKeypoints函数提取Harris关键点。
    • 创建PCL可视化对象viewer，设置背景颜色。
    • 添加原始点云和关键点到可视化对象中，并设置关键点的渲染属性。
    • 启动可视化循环，显示原始点云和关键点。

示例代码：

#include <pcl/point_types.h>
#include <pcl/io/ply_io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/keypoints/harris_3d.h>
#include <thread> // 添加此头文件
#include <chrono> // 添加此头文件

// 提取Harris关键点的函数
pcl::PointCloud<pcl::PointXYZI>::Ptr extractHarrisKeypoints(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 创建Harris关键点检测对象
    pcl::HarrisKeypoint3D<pcl::PointXYZ, pcl::PointXYZI> harris;
    harris.setNonMaxSupression(true); // 设置非极大值抑制
    harris.setRadius(0.01); // 设置搜索半径
    harris.setInputCloud(cloud); // 设置输入点云

    // 创建一个点云对象用于存储关键点
    pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints(new pcl::PointCloud<pcl::PointXYZI>);

    // 计算Harris关键点
    harris.compute(*keypoints);

    return keypoints;
}

int main(int argc, char** argv) {
    // 指定PLY文件路径
    std::string file_path = "../../bunny/data/bun000.ply"; // 请将此路径替换为你的PLY文件路径

    // 创建点云对象
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());

    // 读取PLY文件
    if (pcl::io::loadPLYFile<pcl::PointXYZ>(file_path, *cloud) == -1) {
        std::cerr << "Couldn't read file " << file_path << std::endl;
        return -1;
    }

    // 提取Harris关键点
    pcl::PointCloud<pcl::PointXYZI>::Ptr keypoints = extractHarrisKeypoints(cloud);

    // 创建PCL可视化对象
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));

    // 设置背景颜色为黑色
    viewer->setBackgroundColor(0, 0, 0);

    // 添加原始点云
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> cloud_color_handler(cloud, 255, 255, 255);
    viewer->addPointCloud(cloud, cloud_color_handler, "original cloud");

    // 添加Harris关键点
    pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZI> keypoints_color_handler(keypoints, 0, 255, 0);
    viewer->addPointCloud<pcl::PointXYZI>(keypoints, keypoints_color_handler, "keypoints");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 5, "keypoints");

    // 启动可视化
    // viewer->addCoordinateSystem(1.0);
    // viewer->initCameraParameters();
    while (!viewer->wasStopped()) {
        viewer->spinOnce(100);
        std::this_thread::sleep_for(std::chrono::milliseconds(100));
    }

    return 0;
}

可视化效果：

白色点是原始的点云（兔子），绿色点是Harris提取的点云关键点。

分享完成~

Python点云处理（五）点云特征点/关键点提取算法（上）
weixin_43894929的博客
08-03 5111
点云关键点提取是指从一个点云数据集中提取出一些重要的点，以便用于后续的点云分析和处理。在点云处理中，关键点通常包括高曲率点、边缘点、拐角点等。这些点具有重要的特征信息，可以用于描述点云的局部形状和结构。点云关键点提取的方法主要有两种：基于特征的方法和基于密度的方法。基于特征的方法是利用点云中的曲率、表面法向量等特征来提取关键点，而基于密度的方法则是通过计算点云中每个点周围的密度来提取关键点。在实际应用中，点云关键点提取通常是点云处理的第一步，它可以用于点云配准、建模、分割等各种应用场景。
【2025最新版】PCL点云处理算法汇总（C++长期更新版）
热门推荐
点云侠的博客
01-18 61万+
PCL学习目录。博客长期更新，最近一次更新时间为：2025年7月20日。
点云 特征提取、Segmentation、Classification、物体识别
Dr_Cv的博客
07-14 927
例如，法向量，曲率，树木，人等。是类似于对象识别的过程，该过程为每个点，线段或对象分配一个类别或标识，以表示某些类型的对象（例如，标志，道路，标记或建筑物）。依据获取特征的方式不同, 三维点云分类方法分为三大类:基于点的分类, 基于传统机器学习方法的分类和基于深度学习的分类。“低级属性”是指没有语义（例如，位置，高程，几何形状，颜色，强度，点密度等）的信息。对象识别和点云分类之间的区别在于，对象识别是利用一种方法以将一些特定对象与其他对象区分开，而分类的目的通常是在语义上标记整个场景。
掌握PCL中点云关键点检测技术
最新发布
weixin_29496633的博客
06-06 328
点云作为一种非结构化的三维数据表示形式，广泛应用于计算机视觉和三维建模领域。关键点检测作为点云处理的重要步骤，其目的在于从点云数据中提取出有代表性的点，这些点通常反映出了物体的形状特征和表面细节。关键点的检测对于后续的特征描述、目标识别、物体配准等操作至关重要。在点云库（PCL）中，已经集成了多种关键点检测算法，为开发者提供了强大的工具集以实现高效精确的三维点云分析。本章将概览关键点检测的概念、它在PCL中的实现方式以及对点云处理的影响，为进一步深入理解各种关键点检测方法打下基础。
点云的特征提取
10-13
This paper describes a new method to extract feature lines directly from a surface point cloud. No surface reconstruction is needed in advance, only the inexpensive computation of a neighbor graph connecting nearby points.
点云处理【五】(点云特征提取)
略知12的博客
10-20 4881
PFH通过参数化查询点与邻域点之间的空间差异，并形成一个多维直方图对点的k邻域几何属性进行描述。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。它的思想在于分别计算查询点的k邻域中每一个点的简化点特征直方图(Simplified Point Feature Histogram,SPFH)，再通过一个公式将所有的SPFH加权成最后的快速点特征直方图。通常点云特征与关键点结合使用。
点云特征提取方法综述
11-25
对三维点云信息的特征分类和提取，进行总结。
点云关键点提取（1）
04-10
pcl中实现对点云的关键点提取，具体包括iss和sift关键点。
3d点云处理--特征点提取
m0_47096428的博客
05-10 6640
ICP配准失败原因： 1. 初始化位置选择有问题 2. 两帧点云重合的部分较少=》扫到了不同的部分，比如innvosuion的雷达 Harris特征 物理意义上理解harris特征： 我们关注每个点在x，y方向intensity变化的速率。 如果在两个方向变化都快，这就是角点。 数学上设计理念： 1. 通过一个scalar的阈值进行判断 2. 考虑到两个方向对于最后得到数值的影响。 直观的看一些一阶导数对应的分布。 针对linear...
PCL点云算法与项目实战案例汇总（长期更新）
纵马踏花向自由
09-10 2030
本专栏将深入探讨PCL（点云库）的基础算法，旨在帮助读者掌握点云处理的核心技术。内容涵盖点云的采样、过滤、配准、分割等基础操作，并结合实际案例，展示这些算法在工程中的应用。无论你是初学者还是有一定经验的开发者，都能通过本专栏加深对PCL的理解，提升在三维数据处理领域的技能。
PCL 点云投影后提取边界
纵马踏花向自由
10-09 700
在点云数据处理中，将三维点云投影到二维平面，并提取其边界特征，是形状分析和表面重建的重要步骤之一。本文展示如何将点云投影到 X-Y 平面后，使用 Alpha Shapes 算法提取投影后的点云边界，并在可视化时调整点云点的大小。
一种点云特征线提取方法
02-22
提出了一种特征线提取方法，该方法包含边界线和折边的提取，边界线的提取主要根据邻近投影点相邻向量夹角来实现，折边的提取主要利用邻近点向量聚类情况来实现。通过采集不同类型目标物点云数据，验证了所提方法的有效性。
PCL_BoundaryEstimation_Point散乱数据点云边界特征自动提取算法.rar
05-16
PCL_BoundaryEstimation_Point散乱数据点云边界特征自动提取算法
PCL点云处理总目录
weixin_44329757的博客
01-10 1万+
点云处理相关文章
PCL 点云索引提取器
纵马踏花向自由
10-01 417
根据索引提取点云子集 是在点云处理中常见的操作之一。PCL 提供了 pcl::ExtractIndices 类，允许从点云中提取指定索引的点，形成一个新的子集点云。这种方法特别适用于从计算结果中提取感兴趣的点集，或者去除不需要的点。
点云特征提取及分类、VFH、SVM、CNN
人生得意须尽欢
12-28 2万+
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 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
pcl::3D点云特征描述与提取
asdiiiqqq的博客
06-01 1181
接下来进行迭代计算，每一次迭代，主特征向量即X轴按照顺序绕其他两个轴（YZ轴）旋转，实现当中具体是外循环绕Y轴0到90度，内循环绕Z轴0到360度，每次添加一定的角度（用step_变量控制），最终的X轴正方向遍历了整个Z轴负方向的半球离散方向，我们将这个旋转主向量X轴作为当前轴。在原始表示形式下，点的定义是用笛卡尔坐标系x，y，z相对于一个给定的原点来简单表示的三维映射系统的概念，假设坐标系的原点不随着时间而改变，这里有两个点p1，p2，分别在时间t1和t2捕获，有相同的坐标。
PCL中点云关键点提取
Roar冷颜的博客
10-05 8750
PCL中点云关键点提取1 关键点概念及相关算法1.1 NARF关键点1.2 Harris关键点1.3 PCL中keypoints模块及类介绍2 关键点入门级实例解析2.1 如何从深度图像中提取NARF关键点2.2 SIFT关键点提取2.3 Harris关键点提取   关键点也称为兴趣点，它是2D图像、3D点云或曲面模型上，可以通过定义检测标准来获取的具有稳定性、区别性的点集。从技术上来说，关键点的数量相比于原始点云或图像的数据量小很多，它与局部特征描述子结合在一起，组成关键点描述子，常用来形成原始数据的紧凑
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一颗小树x

您的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值