📚 课程目录第4章点云特征提取

4. 点云特征提取

点云配准要解决的核心问题是“把两片来自不同视角或不同时间的点云对齐”。如果直接拿全部点做 ICP，容易陷入局部最优，尤其在初始位姿差异较大时。因此，工程上通常先提取局部特征，用描述子建立候选对应关系，再交给 RANSAC 或 ICP 精配准。本节围绕法向量、曲率、PFH、FPFH、SHOT 以及描述子评价方法展开。

一、核心原理：从几何邻域到可区分描述

点云特征提取的本质，是把每个点及其邻域内的几何形状编码成一个向量。这个向量需要满足两个矛盾的要求：可区分性（不同位置、不同结构应产生不同描述）和鲁棒性（噪声、分辨率变化、轻微遮挡下描述应稳定）。

法向量：描述局部表面的朝向，是许多描述子的基础。通常对邻域点做 PCA，最小特征值对应的特征向量即为法向量。
曲率：反映局部表面的弯曲程度。PCA 中最小特征值与特征值之和的比值可作为曲率近似，平面接近 0，边缘和角点较大。
PFH（Point Feature Histogram）：对邻域内所有点对计算 Darboux 框架下的三个角度特征，统计成直方图，描述能力强但计算量随邻域点数平方增长。
FPFH（Fast Point Feature Histogram）：PFH 的加速版本，只计算查询点与邻域点的 SPFH，再对邻域 SPFH 加权求和，复杂度降为线性，是 PCL 中最常用的描述子之一。
SHOT（Signature of Histograms of OrienTations）：把邻域按径向、方位角、俯仰角划分成多个空间网格，在每个网格内统计法向量方向直方图，对噪声和遮挡更稳健，适合物体识别与粗配准。

  一句话记忆：法向量和曲率是“基础几何量”，PFH/FPFH/SHOT 是“把邻域几何统计成向量”的描述子，特征匹配则是“用向量距离找对应点”。

二、方法流程：特征提取与匹配的完整链路

在 PCL 中，典型流程如下：

// 1. 估计法向量
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
ne.setSearchMethod(tree);
ne.setRadiusSearch(0.03);
ne.compute(*normals);

// 2. 计算 FPFH 描述子
pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
fpfh.setInputCloud(cloud);
fpfh.setInputNormals(normals);
fpfh.setSearchMethod(tree);
fpfh.setRadiusSearch(0.05);
fpfh.compute(*descriptors);

// 3. 特征匹配（KdTree 最近邻）
pcl::KdTreeFLANN<pcl::FPFHSignature33> match_tree;
match_tree.setInputCloud(descriptors_target);
match_tree.nearestKSearch(descriptor_source, 1, idx, dist);

流程可概括为：下采样 → 法向量估计 → 描述子计算 → 特征匹配 → 对应关系过滤 → RANSAC 粗配准 → ICP 精配准。其中下采样用于控制点数，法向量质量直接决定描述子质量，匹配阶段常用最近邻加距离阈值，过滤阶段常用互惠检查、法向量夹角约束和 RANSAC。

三、案例/场景：室内场景粗配准

假设我们用两帧 RGB-D 点云配准一个室内桌面场景。第一帧看到桌角和杯子，第二帧视角旋转约 40°。直接 ICP 可能因为初始位姿差太大而失败。此时可先对两帧点云做体素下采样（如 0.01 m），估计法向量（半径 0.03 m），计算 FPFH（半径 0.05 m），然后做最近邻匹配。匹配后通常会有大量错误对应，需要过滤：

互惠检查：source 到 target 的最近邻与 target 到 source 的最近邻互为对方。
距离阈值：描述子距离小于 0.3 或取距离分布的 20% 分位数。
法向量一致性：对应点法向量夹角小于 30°。
RANSAC：随机采样 3 对对应点估计变换，统计内点，迭代 1000 次。

若场景纹理弱、平面多，FPFH 可能区分度不足，此时可改用 SHOT 或加入颜色特征。SHOT 对平面区域的描述更稳定，但计算量略大。

四、描述子评价方法与常见误区

描述子好不好，不能只看“匹配数量”，而要看匹配质量和配准效果。常用评价指标如下表：

指标	含义	适用场景
召回率 Recall	正确对应中被成功找到的比例	评估描述子是否漏掉真实匹配
精确率 Precision	找到的对应中真正正确的比例	评估错误匹配是否过多
匹配距离分布	正确匹配与错误匹配的描述子距离分布	判断阈值是否可分
配准 RMSE	配准后对应点距离均方根误差	最终评价配准精度
计算耗时	描述子提取与匹配总时间	实时性要求高的场景

常见误区：
1. 只看法向量可视化，不检查法向量方向一致性，导致描述子符号翻转。
2. 邻域半径过大，把不同结构混在一起，描述子失去区分度。
3. 匹配后不做过滤，直接送 ICP，导致配准失败。
4. 用单一指标评价描述子，忽略场景噪声、分辨率和遮挡差异。

复盘建议：在项目中固定一套评价流程——先看匹配距离分布，再看召回率和精确率，最后看配准 RMSE。若召回率低，优先增大邻域或换描述子；若精确率低，优先加强过滤和 RANSAC 内点阈值。

总结来说，法向量和曲率是局部几何的基础，PFH、FPFH、SHOT 是把邻域几何编码成向量的不同策略。FPFH 适合快速粗配准，SHOT 适合对遮挡和噪声更敏感的场景。特征匹配不是终点，而是为 RANSAC 和 ICP 提供初始对应。只有把描述子评价与配准误差结合起来，才能判断特征提取是否真正服务于三维地图构建。