全局特征

???????? 點云的檢測和分類一般使用全局特征，傳統的檢測方法嚴重依賴于點云的場景分割，所幸的是點云的分割一般情況下比二維灰度圖像和彩色圖像更容易進行。基于分割方法的好處是，一旦目標被正確分割，點云分類即可以轉換為較為簡單的有遮擋或無遮擋的點云（位姿）識別。此時的分類，即點云識別可以使用Alignment的方法，也可以使用位姿識別方法。

???????? 較為流行的檢測方法使用了CNN，不加分割的CNN方法有二維CNN方法的一般特性，可以使用圖像Map的形式，也可以直接使用點云方式，直接使用點云方式進行CNN處理是暫時的一個難點。

????????? PCL庫給出了大量的三維全局特征，經典特征有VFH、CVFH、RSD、ESF等.

????? 參考文章：R. B. Rusu and S. Cousins, “3D is here: Point Cloud Library (PCL)”,in Proc. IEEE ICRA 2011, Shanghai,China, May 9–13, 2011, pp. 1–4。下載地址：https://www.researchgate.net/publication/221068443_3D_is_here_Point_cloud_library_PCL

?????? ? 其中使用的3dvs特征的表征性能，得到了理論上的證明，ESF特征就是3Dvs的特征的集合體。此外，SHOT特征計算量稍大，同時描述性比較強。

?

局部特征

??????? 局部特征的提取依賴于點云數據的存儲格式，二維圖像的存儲格式為二維陣列，而三維圖像的存儲格式一般為8叉樹，三維陣列存儲占據數據空間太大。

??????? 在噪點較多的情況下，點云局部特征可信度較低。局部特征典型實例為3D-SURF，把局部點云塊從八叉樹解析到三維點陣，并根據SURF特征的原理，獲得檢測點并提取局部顯著特征。

總結

以上是生活随笔為你收集整理的三维重建11：点云的全局特征和局部特征的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。