3. 点云特征提取：PFH、FPFH、SHOT、3DSC 特征描述子，特征匹配与对应关系建立

点云配准的核心，说白了就是找对应点。你想想看，两片点云叠在一起，怎么知道哪个点跟哪个点是一对？靠坐标肯定不行——两片点云本身就有旋转平移。所以我们需要一种更聪明的办法：给每个点算一个“指纹”，这个指纹要足够独特，还要对旋转平移不敏感。这就是特征描述子干的事。

我刚开始做配准时，总觉得特征提取是锦上添花。后来在一个室外大场景项目里，纯靠 ICP 迭代，跑了半小时都没收敛。换成 FPFH 做粗配准，十几秒就搞定了。嗯，从那以后我再也不敢跳过这一步了。

3.1 从原始点到特征描述子

特征描述子的本质是什么？是对一个点周围局部几何信息的编码。一个好的描述子，应该满足三个条件：

• 唯一性：不同结构的点，描述子差异要大
• 鲁棒性：对噪声、采样密度变化不敏感
• 不变性：对刚体变换（旋转+平移）保持不变

目前主流的点云特征描述子，大致可以分为两类：基于直方图的（PFH、FPFH、SHOT）和基于形状上下文的（3DSC）。下面我一个一个说。

3.2 PFH：点特征直方图

PFH（Point Feature Histograms）是最早被广泛使用的点云特征之一。它的思路很直接：对查询点邻域内所有点对，计算一组几何特征，然后统计成直方图。

具体来说，对邻域内的任意两点 P_i 和 P_j，我们建立一个局部坐标系：

u = n_i
v = (P_j - P_i) × u
w = u × v

然后计算四个特征值：

特征	含义	范围
α	v 与 nj 的夹角	[0, π]
φ	u 与 (Pj - Pi) 的夹角	[0, 2π]
θ	w 与 nj 的夹角	[0, π]
d	两点之间的欧氏距离	[0, +∞)

每个特征分成 b 个区间（通常 b=5），四个特征组合起来就是 b⁴ = 625 维的直方图。维度很高，但信息量也大。

3.3 FPFH：快速点特征直方图

FPFH（Fast Point Feature Histograms）是 PFH 的加速版。它把计算复杂度从 O(n·k²) 降到了 O(n·k)。怎么做到的？

核心思路是两步走：

1. SPFH 计算：只计算查询点与邻域内每个点的特征（α, φ, θ），不计算邻域内点与点之间的特征。这一步 O(k)。
2. 加权融合：对每个邻域点，再计算它的 SPFH，然后加权求和。这一步 O(k²) 但 k 很小（通常取邻域的子集）。

FPFH 的最终公式：

FPFH(P_q) = SPFH(P_q) + (1/k) · Σ [ (1/ω_k) · SPFH(P_k) ]

其中 ω_k 是查询点与邻域点之间的距离权重。

实际使用中，FPFH 的维度通常是 33（11 个区间 × 3 个特征）。比 PFH 的 625 维小得多，但区分能力并没有明显下降。

3.4 SHOT：方向直方图与纹理直方图的结合

SHOT（Signature of Histograms of OrienTations）是另一种思路。它不直接统计点对特征，而是先建立一个局部参考坐标系（LRF），然后在坐标系内划分空间区域，统计每个区域内的法向量分布。

SHOT 的构建分三步：

• LRF 建立：对邻域点做 PCA，得到三个主轴方向。这里有个坑——PCA 的方向有歧义性（正负方向不确定），需要用符号消歧。
• 空间划分：沿径向（2 层）、方位角（8 个）、俯仰角（2 个）划分，总共 32 个空间区域。
• 直方图统计：每个区域内统计法向量与 LRF 各轴的夹角余弦，分成 11 个区间。最终维度 = 32 × 11 = 352。

SHOT 的优点是鲁棒性好，对噪声和遮挡都不太敏感。缺点是计算 LRF 比较耗时。

3.5 3DSC：三维形状上下文

3DSC（3D Shape Context）是从 2D 形状上下文扩展过来的。它的核心思想是：用球坐标系下的点分布直方图来描述局部形状。

具体做法：

1. 以查询点为球心，建立球坐标系
2. 沿径向（通常 3-5 层）、仰角（4-6 个）、方位角（8-12 个）划分球壳
3. 统计每个球壳内的点数，归一化后作为特征

3DSC 的维度一般在 200-500 之间。它的优点是能很好地描述形状的全局分布，缺点是对旋转敏感——需要先对齐参考方向。

描述子	维度	计算复杂度	旋转不变性	适用场景
PFH	625	O(n·k²)	是	小规模精细配准
FPFH	33	O(n·k)	是	大规模实时配准
SHOT	352	O(n·k)	是（LRF）	高精度离线配准
3DSC	200-500	O(n·k)	需对齐	形状识别、分类

3.6 特征匹配与对应关系建立

特征算完了，下一步就是匹配。匹配的核心是：在源点云的特征集合中，为目标点云的每个特征找到最相似的那个。

最常用的方法是最近邻搜索：

// 伪代码
for each feature_f in source_features:
    for each feature_g in target_features:
        dist = L2_distance(feature_f, feature_g)
        if dist < min_dist:
            min_dist = dist
            match = g

但这样直接匹配会有很多误匹配。我常用的过滤策略有：

• 距离阈值：只保留距离小于某个阈值的匹配对
• 比率测试：最近邻距离 / 次近邻距离 < 0.7-0.8
• 互一致性：A 匹配到 B，B 也要匹配到 A
• 几何一致性：匹配点对之间的空间关系要一致（比如距离、角度）

3.7 本章知识结构

下面这张图总结了四种特征描述子的核心逻辑和匹配流程：

3.8 工程实践建议

最后，我总结几条实际项目中的经验：

• 先降采样再提取特征：体素滤波降采样到 1-2cm 分辨率，特征计算量能降一个数量级
• 搜索半径要匹配点云密度：半径太小特征不稳定，太大又包含太多无关点。我一般取 5-10 倍体素大小
• 特征匹配后一定要过滤：别指望一次匹配就完美，RANSAC 是标配
• 多尺度特征融合：在大场景中，我会同时计算小半径和大半径的 FPFH，然后拼接成更鲁棒的特征