PCL—低层次视觉—关键点检测（iss&Trajkovic）

　　关键点检测往往需要和特征提取联合在一起，关键点检测的一个重要性质就是旋转不变性，也就是说，物体旋转后还能够检测出对应的关键点。不过说实话我觉的这个要求对机器人视觉来说是比较鸡肋的。因为机器人采集到的三维点云并不是一个完整的物体，没哪个相机有透视功能。机器人采集到的点云也只是一层薄薄的蒙皮。所谓的特征点又往往在变化剧烈的曲面区域，那么从不同的视角来看，变化剧烈的曲面区域很难提取到同样的关键点。想象一下一个人的面部，正面的时候鼻尖可以作为关键点，但是侧面的时候呢？会有一部分面部在阴影中，模型和之前可能就完全不一样了。

　　也就是说现在这些关键点检测算法针对场景中较远的物体，也就是物体旋转带来的影响被距离减弱的情况下，是好用的。一旦距离近了，旋转往往造成捕获的仅有模型的侧面，关键点检测算法就有可能失效。

1.ISS算法

　　ISS算法的全程是Intrinsic Shape Signatures，第一个词叫做内部，这个词挺有讲究。说内部，那必然要有个范围，具体是什么东西的范围还暂定。如果说要描述一个点周围的局部特征，而且这个物体在全局坐标下还可能移动，那么有一个好方法就是在这个点周围建立一个局部坐标。只要保证这个局部坐标系也随着物体旋转就好。

　　方法1.基于协方差矩阵

　　协方差矩阵的思想其实很简单，实际上它是一种耦合，把两个步骤耦合在了一起

　　　　1.把pi和周围点pj的坐标相减：本质上这生成了许多从pi->pj的向量，理想情况下pi的法线应该是垂直于这些向量的

　　　　2.利用奇异值分解求这些向量的0空间，拟合出一个尽可能垂直的向量，作为法线的估计

　　协方差矩阵本质是啥？就是奇异值分解中的一个步骤。。。。奇异值分解是需要矩阵乘以自身的转置从而得到对称矩阵的。

　　当然，用协方差计算的好处是可以给不同距离的点附上不同的权重。

　　

　　方法2.基于齐次坐标

　　　　1.把点的坐标转为齐次坐标

　　　　2.对其次坐标进行奇异值分解

　　　　3.最小奇异值对应的向量就是拟合平面的方程

　　　　4.方程的系数就是法线的方向。

　　显然，这种方法更加简单粗暴，省去了权重的概念，但是换来了运算速度，不需要反复做减法。其实本来也不需要反复做减法，做一个点之间向量的检索表就好。。。

　　但是我要声明PCL的实现是利用反复减法的。

　　

　　不管使用了哪种方法，都会有三个相互垂直的向量，一个是法线方向，另外两个方向与之构成了在某点的局部坐标系。在此局部坐标系内进行建模，就可以达到点云特征旋转不变的目的了。

　　ISS特征点检测的思想也甚是简单：

　　1.利用方法1建立模型

　　2.其利用特征值之间关系来形容该点的特征程度。

　　显然这种情况下的特征值是有几何意义的，特征值的大小实际上是椭球轴的长度。椭球的的形态则是对邻近点分布状态的抽象总结。试想，如果临近点沿某个方向分布致密则该方向会作为椭球的第一主方向，稀疏的方向则是第二主方向，法线方向当然是极度稀疏（只有一层），那么则作为第三主方向。

　　如果某个点恰好处于角点，则第一主特征值，第二主特征值，第三主特征值大小相差不会太大。

　　如果点云沿着某方向致密，而垂直方向系数则有可能是边界。

　　总而言之，这种局部坐标系建模分析的方法是基于特征值分析的特征点提取。

　　最后补充，Intrisic指的就是这个椭球的内部。

PCL实现

pcl::PointCloud<pcl::PointXYZRGBA>::Ptr model (new pcl::PointCloud<pcl::PointXYZRGBA> ());;
pcl::PointCloud<pcl::PointXYZRGBA>::Ptr model_keypoints (new pcl::PointCloud<pcl::PointXYZRGBA> ());
pcl::search::KdTree<pcl::PointXYZRGBA>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZRGBA> ());
// Fill in the model cloud
double model_resolution;
// Compute model_resolution
pcl::ISSKeypoint3D<pcl::PointXYZRGBA, pcl::PointXYZRGBA> iss_detector;
iss_detector.setSearchMethod (tree);
iss_detector.setSalientRadius (6 * model_resolution);
iss_detector.setNonMaxRadius (4 * model_resolution);
iss_detector.setThreshold21 (0.975);
iss_detector.setThreshold32 (0.975);
iss_detector.setMinNeighbors (5);
iss_detector.setNumberOfThreads (4);
iss_detector.setInputCloud (model);
iss_detector.compute (*model_keypoints);

2.Trajkovic关键点检测算法

　　角点的一个重要特征就是法线方向和周围的点存在不同，而本算法的思想就是和相邻点的法线方向进行对比，判定法线方向差异的阈值，最终决定某点是否是角点。并且需要注意的是，本方法所针对的点云应该只是有序点云。

　　本方法的优点是快，缺点是对噪声敏感。

　　手头没有有序点云，不做测试了。