4. 点云特征提取与描述
在3D激光SLAM与点云感知系统中，原始点云只是空间中大量离散坐标的集合，无法直接支撑配准、回环检测、目标识别与语义理解。要让机器“看懂”点云，必须从几何结构中提取稳定、可区分、可复现的特征。本节围绕局部几何描述子的完整链路展开：从法向量与曲率这两个最基础的局部几何量出发，过渡到FPFH、SHOT等具有旋转不变性的描述子，再结合ISS关键点实现稀疏化与稳定采样，最后给出特征匹配的基本流程与工程注意事项。
一、核心原理：从局部几何到全局描述
点云特征提取的本质，是把一个点及其邻域内的几何分布压缩成固定维度的向量。这个向量需要满足三个条件：对刚体变换（旋转、平移）具有一定不变性；对噪声和采样密度变化鲁棒；不同位置、不同结构之间具有可区分性。
法向量描述局部表面的朝向。对点 p 取半径 r 内的邻域点，计算协方差矩阵 C，对其进行特征值分解，最小特征值对应的特征向量即为法向量方向。法向量本身只有方向信息，符号存在二义性，通常需要借助视点方向或邻域一致性进行定向。
曲率描述局部表面的弯曲程度。常用表面曲率变化率表示为 λ0/(λ0+λ1+λ2)，其中 λ0≤λ1≤λ2 为协方差矩阵特征值。曲率越小，局部越接近平面；曲率越大，越接近边缘、角点或复杂结构。法向量与曲率共同构成最轻量的局部几何描述。
仅靠法向量和曲率不足以区分复杂结构，因此需要更高维的描述子。FPFH（Fast Point Feature Histogram）在SPFH基础上进行加权邻域聚合，用三个角度特征 α、φ、θ 统计邻域点对关系，形成33维直方图。它计算效率高，对点云密度变化较鲁棒，是SLAM配准中最常用的描述子之一。SHOT（Signature of Histograms of Orientations）则把邻域沿径向、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，形成352维描述子。SHOT对噪声和遮挡更鲁棒，但计算量更大，适合对精度要求更高的回环检测与物体识别。
二、方法流程：从点云到匹配对
完整的特征提取与匹配流程通常包含以下步骤：
- 预处理：体素降采样、离群点去除、法向量估计。法向量估计的邻域半径通常取点云平均间距的3~5倍。
- 关键点检测：使用ISS、Harris3D或SIFT3D提取稳定关键点。ISS通过邻域协方差矩阵特征值比值筛选候选点，再经非极大值抑制得到最终关键点。
- 描述子计算：对每个关键点计算FPFH或SHOT描述子。FPFH适合实时SLAM，SHOT适合离线高精度回环检测。
- 特征匹配：在KD-Tree中搜索最近邻，采用距离比检验（最近邻距离/次近邻距离 < 0.8）剔除模糊匹配。
- 几何验证：使用RANSAC或TEASER等算法估计变换矩阵，剔除不符合几何一致性的外点。
# PCL风格伪代码：FPFH特征提取与匹配
pcl::NormalEstimation<PointXYZ, Normal> ne;
ne.setRadiusSearch(0.03); // 法向量邻域半径
ne.compute(*normals);
pcl::FPFHEstimation<PointXYZ, Normal, FPFHSignature33> fpfh;
fpfh.setRadiusSearch(0.05); // FPFH邻域半径
fpfh.compute(*fpfh_features);
pcl::ISSKeypoint3D<PointXYZ, PointXYZ> iss;
iss.setSalientRadius(0.08); // ISS显著半径
iss.setNonMaxRadius(0.04); // 非极大值抑制半径
iss.compute(*keypoints);
// 匹配：KD-Tree + 距离比检验
pcl::KdTreeFLANN<FPFHSignature33> tree;
tree.setInputCloud(fpfh_target);
tree.nearestKSearch(fpfh_source[i], 2, idx, dist);
if (dist[0] < 0.8 * dist[1]) { /* 接受匹配 */ }三、典型场景与参数选择
在激光SLAM前端配准中，FPFH配合ISS关键点可以在保证实时性的同时提供足够的对应关系。以64线激光雷达为例，单帧点云约12万点，体素降采样至2万点后，ISS提取约800~1500个关键点，FPFH计算耗时约30~60ms，匹配与RANSAC约20~40ms，整体可满足10Hz前端需求。
在回环检测场景中，SHOT描述子对视角变化和遮挡更鲁棒，适合在历史帧数据库中检索相似位置。但SHOT计算量约为FPFH的5~8倍，通常只在关键帧上计算，并配合降采样使用。
| 特征/方法 | 维度 | 旋转不变性 | 噪声鲁棒性 | 典型耗时 | 适用场景 |
|---|---|---|---|---|---|
| 法向量+曲率 | 4 | 部分 | 中 | 极低 | 预处理、平面检测 |
| FPFH | 33 | 是 | 较高 | 低 | 实时SLAM配准 |
| SHOT | 352 | 是 | 高 | 中高 | 回环检测、物体识别 |
| ISS关键点 | — | 是 | 高 | 低 | 关键点稀疏化 |
四、误区与复盘
常见误区一：半径参数一刀切。法向量、FPFH、ISS的邻域半径必须与点云密度匹配。同一组参数在近处点云上可能合适，在远处稀疏区域则会导致邻域点不足或特征失效。建议根据点云平均间距动态设置，或按距离分层处理。
常见误区二：忽略法向量定向。法向量符号二义性会导致FPFH和SHOT描述子不稳定。必须使用视点约束或邻域一致性进行定向，否则匹配内点率会显著下降。
复盘建议：在工程中先可视化关键点分布与匹配对，确认关键点是否落在结构显著区域（角点、边缘、曲面交界），匹配对是否空间分布均匀。若匹配对集中在局部区域，说明描述子区分度不足或RANSAC参数过松。建议将特征提取与匹配作为独立模块进行单元测试，记录不同场景下的内点率与耗时，形成参数配置基线。
特征提取与描述是点云感知的基石。法向量与曲率提供最轻量的局部几何信息，FPFH与SHOT在描述能力和计算成本之间形成梯度选择，ISS关键点则解决“在哪里算”的问题。理解这些方法的原理、参数与适用边界，才能在SLAM配准、回环检测与点云识别任务中做出合理的工程取舍。