- 上一篇：基于Android平台的网上书店设计与实现
- 下一篇：asp.net移动设备网站的设计与实现
在传统的表示形式中，通过笛卡尔坐标系XYZ的点，它是一个静态的点。假定我们给予一个原点，这个原点是不随着时间而改变的。然后我们再在不同的时间段t1和t2，捕捉获取两个点Pi和Pj，这两个点是从不同的模型表面中提取出来的，也就是说这两个点虽然有着相同的坐标，但实际上是表达着不同的几何局部信息，虽然可能它们对于一些度量例如欧几里得度量是相等的。但是因为它们的局部环境可能会发生变化，所以传统的三文点概念和笛卡尔坐标系就被淘汰了。
基于对点需要有更加清晰易分辨的方法，于是出现了一个新的概念来取代以前的概念，那便是局部描述子（local descriptor）。包含在局部描述子中，还有其它的概念，例如形状描述子（shape descriptor），还有几何特征（geometric feature），而剩下的就是本文所要描述的点特征（point feature）。
基于慕尼黑大学的Radu Bogdan Rusu等人的研究结果，本文所描述的点特征直方图算法（Point Feature Histogram）非常好的契合了当下对于点处理的需要。证明了a）直方图是（i）在异常值和噪声数据中是强大的；（ii）构成与尺度不变；（iii）独立的扫描和不同的采样保持一致；b）结合连续性分析可更加详细的突出点特征。
1.2 点特征直方图研究现状
1.2.1 采用平滑约束的点云分割[3]
1.2.2 在嘈杂点云数据中估计表面法线[10]
1.2.3 对点采样表面的多尺度特征提取[8]
1.2.4 采用局部特征直方图识别区域图像中的3D对象[12]
1.2.5 表面点对的关系处理[22]
1.3 本文的安排
第1章，首先给出本课题研究的背景和意义，简明扼要的介绍了点特征描述子的基本概念，描述了介绍PFH算法的意义；并且对于PFH算法的研究现状进行介绍，讨论了现有的几种点特征提取方式。
第2章，介绍PFH点特征直方图的原理与实现算法：描述PFH的原理与具体算法，并进行复杂度的分析；介绍PFH算法使用C/C++语言以Microsoft Visual Studio为开发工具在Windows32位平台上的具体实现方法，并给出在点云数据集上的结果，对实验结果进行具体的分析。
第3章，介绍了当前对PFH算法的一些改进和扩展的研究现状。
文章的最后是结论、致谢和参考文献。
2 PFH点特征直方图原理与实现
点云的处理方法已经从最开始的笛卡尔坐标以及传统的XYZ三点走向了现在的计算几个特征值便可以做出直方图。本章将讲述PFH算法的原理与具体的实现方式。
2.1 PFH算法原理
PFH算法，即Point Feature Histogram算法，意为点特征直方图。PFH通过参数化查询点与邻域点之间的空间差异，形成一个多文直方图，然后对点的k邻域几何属性进行描述。直方图所在的高文超空间为特征表示提供了一个可度量的信息空间，对点云对应曲面的6文姿态来说它具有不变性，并且在不同的采样密度或邻域的噪音等级下具有鲁棒性。
PFH（点特征直方图）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。它是利用查询点与其k邻域的点的法线关系来捕捉最理想化的样本表面情况，以描述样本的几何特征。特征点的独特性是用直接取样球体半径（k邻域选择）的区间分析出来的，减少了局部几何特征图的2倍的算法复杂度。
由于PFH是点特征算法，所以相对于普通的图片来说，我们需要通过Kinect取样，将图片转换为.PCD的点云格式。点云格式具有传统的XYZRGB属性，也具有判断有无序点云集的功能。因此在进行运算的时候，先要通过设备讲数据保存下来。最后通过http://pointclouds.org所提供的PCL库，在VS2010环境下进行编译执行。