VFH(Viewpoint Feature Histgram)視角特征直方圖描述器，可以很直觀的表現點的聚類在處理聚類識別與6DOF位姿估計。

下面的圖像展示了一個VFH識別和位姿估計的例子。給一些訓練集，除了左下角的那個杯子，用來學習，用左下角的杯子作為檢測。

VFH源于FPFH描述器，因為它的速度與區別能力，我們決定利用FPFH的識別結果，但是在保持比例不變的情況下增加了一個視角變量。

我們在物體識別和位姿檢測上的貢獻是擴展了FPFH使其能夠評估整個物體的聚類，并且計算了額外的視角方向和法線之間的額外數據。為了做到這一點，我們使用了把視角方向混合到法線方向的計算中去。

?

視點成分是通過收集角度直方圖來計算的，這個角度是由每個法線產生的。注意，我們并不意味著對每個法線的視角具有伸縮不變性，而是意味著從視點方向到每個法線的方向轉換。第二個成分是測量相對水平，傾斜和偏轉角度就像上一節FPFH里面講的那樣，不過現在是通過視點方向和表面法線方向來測量。

我們把這個新的組合特征叫做VFH，下圖表明了這是由2部分組成的:

1.一個視點方向組成

2.一個表面形狀組成包括擴展的FPFH

要使用VFH在pcl里面得通過pcl_features這個庫。

PFH和FPFH與VFH的主要區別是，對于一個給定的點云數據集，只有一個單一的VFH描述器被預估，而PFH/FPFH將有和點云里面相同的點的數量的輸入。

下面是一個代碼段。

#include <pcl/point_types.h> #include <pcl/features/vfh.h>{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::Normal>::Ptr normals (new pcl::PointCloud<pcl::Normal> ());... read, pass in or create a point cloud with normals ...... (note: you can create a single PointCloud<PointNormal> if you want) ...// Create the VFH estimation class, and pass the input dataset+normals to itpcl::VFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::VFHSignature308> vfh;vfh.setInputCloud (cloud);vfh.setInputNormals (normals);// alternatively, if cloud is of type PointNormal, do vfh.setInputNormals (cloud);// Create an empty kdtree representation, and pass it to the FPFH estimation object.// Its content will be filled inside the object, based on the given input dataset (as no other search surface is given).pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ> ());vfh.setSearchMethod (tree);// Output datasetspcl::PointCloud<pcl::VFHSignature308>::Ptr vfhs (new pcl::PointCloud<pcl::VFHSignature308> ());// Compute the featuresvfh.compute (*vfhs);// vfhs->points.size () should be of size 1* }

我們可以看到這比以前使用的FPFH和PFH更簡單了，只要輸入點云即可。

可視化VFH特征，libpcl_visualization包含了一個特殊的PCLHistogramVisulization類，也是通過pcl_viewer來顯示VFH圖。



總結

以上是生活随笔為你收集整理的点集的视点特征直方图的评估的全部內容，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。