PFH算法原理

三维向量的叉积

两个向量的叉积是一个向量，它具有以下特性和几何意义：

---

1. 定义

假设两个三维向量 $\mathbf{a}$ 和 $\mathbf{b}$，它们的叉积（或向量积）定义为：
$$\mathbf{c}=\mathbf{a}\times \mathbf{b}$$
其计算公式为：
$$c=\mid ijkaxayazbxbybz\mid =i(aybz-azby)-j(axbz-azbx)+k(axby-aybx)$$

$$\mathbf{c}=\left|\begin{array}{ccc}\mathbf{i}& \mathbf{j}& \mathbf{k}\\ a_x& a_y& a_z\\ b_x& b_y& b_z\end{array}\right|=\mathbf{i}(a_y{b}_z-a_z{b}_y)-\mathbf{j}(a_x{b}_z-a_z{b}_x)+\mathbf{k}(a_x{b}_y-a_y{b}_x)$$

其中 $\mathbf{i},\mathbf{j},\mathbf{k}$ 是单位向量。

• $\mathbf{a}=(a_x,a_y,a_z)$
• $\mathbf{b}=(b_x,b_y,b_z)$
• $\mathbf{c}=(c_x,c_y,c_z)$

---

2. 几何意义

• 方向：
  $\mathbf{c}$ 的方向垂直于 $\mathbf{a}$ 和 $\mathbf{b}$ 所在的平面（符合右手定则）。
  • 右手定则：
    如果右手的四指从 $\mathbf{a}$ 的方向弯向 $\mathbf{b}$ 的方向，则大拇指的方向就是 $\mathbf{a}\times \mathbf{b}$ 的方向。
• 大小：
  $|\mathbf{c}|=|\mathbf{a}\times \mathbf{b}|=|\mathbf{a}||\mathbf{b}|\sin \theta$，
  其中 $\theta$ 是 $\mathbf{a}$ 和 $\mathbf{b}$ 之间的夹角。
  • $\sin \theta =0$ 时（$\mathbf{a}$ 和 $\mathbf{b}$ 平行或反平行），叉积为零向量。
  • $\sin \theta =1$ 时（$\mathbf{a}$ 和 $\mathbf{b}$ 垂直），叉积大小最大。

---

3. 物理意义

• 垂直向量：
  叉积 $\mathbf{a}\times \mathbf{b}$ 得到的向量 $\mathbf{c}$ 是垂直于 $\mathbf{a}$ 和 $\mathbf{b}$ 的平面法向量。
• 平行四边形面积：
  $|\mathbf{a}\times \mathbf{b}|$ 的大小等于由 $\mathbf{a}$ 和 $\mathbf{b}$ 作为邻边构成的平行四边形的面积。

---

4. 性质

1. 反对称性：
   $$\mathbf{a}\times \mathbf{b}=-(\mathbf{b}\times \mathbf{a})$$

2. 分配律：
   $$\mathbf{a}\times (\mathbf{b}+\mathbf{c})=(\mathbf{a}\times \mathbf{b})+(\mathbf{a}\times \mathbf{c})$$

3. 与标量的关系：
   如果 $k$ 是标量：
   $$(k\mathbf{a})\times \mathbf{b}=k(\mathbf{a}\times \mathbf{b})$$

4. 与自身的叉积：
   $$\mathbf{a}\times \mathbf{a}=0$$
   因为任何向量与自身平行，$\sin \theta =0$。

   因为任何向量与自身平行，$\sin \theta =0$。

---

5. 在实际应用中的例子

• 法向量计算：
  在计算一个平面或三角形的法向量时，用叉积得到垂直于平面的向量。

• 力矩：
  力矩 $\tau$ 是力 $\mathbf{F}$ 关于旋转轴的位置向量 $\mathbf{r}$ 的叉积：
  $$\tau =\mathbf{r}\times \mathbf{F}$$
  力矩的大小与力、作用点到旋转轴的距离，以及它们的夹角有关。

  力矩的大小与力、作用点到旋转轴的距离，以及它们的夹角有关。

• 角动量：
  角动量 $\mathbf{L}$ 是位置向量 $\mathbf{r}$ 和动量 $\mathbf{p}$ 的叉积：
  $$\mathbf{L}=\mathbf{r}\times \mathbf{p}$$

---

总结

两个向量的叉积产生了一个垂直于原向量所在平面的向量，其大小反映了这两个向量围成的平行四边形的面积。它是描述向量间几何关系的有力工具，广泛用于物理和计算机图形学等领域。

---

---

---

向量到平面的投影

计算一个向量到某一个平面的投影向量，涉及到向量投影和正交分解的概念。假设我们有一个向量 $\mathbf{v}$，需要将它投影到一个平面 $\Pi$ 上，平面的法向量为 $\mathbf{n}$。

公式推导

1. 向量的分解

将向量 $\mathbf{v}$ 分解为：

• 平行于法向量 $\mathbf{n}$ 的分量：${\mathbf{v}}_{\parallel }$
• 平行于平面 $\Pi$ 的分量（即投影向量）：${\mathbf{v}}_{\perp }$

$$\mathbf{v}={\mathbf{v}}_{\parallel }+{\mathbf{v}}_{\perp }$$

2. 计算平行于法向量的分量

平行于法向量 $\mathbf{n}$ 的分量是 $\mathbf{v}$ 在 $\mathbf{n}$ 方向上的投影：
$${\mathbf{v}}_{\parallel }=\frac{\mathbf{v}\cdot \mathbf{n}}{\Vert \mathbf{n}{\Vert }^2}\mathbf{n}$$

3. 计算投影向量

投影向量 ${\mathbf{v}}_{\perp }$ 是 $\mathbf{v}$ 减去平行分量：
$${\mathbf{v}}_{\perp }=\mathbf{v}-{\mathbf{v}}_{\parallel }$$
将 ${\mathbf{v}}_{\parallel }$ 代入上式：
$${\mathbf{v}}_{\perp }=\mathbf{v}-\frac{\mathbf{v}\cdot \mathbf{n}}{\Vert \mathbf{n}{\Vert }^2}\mathbf{n}$$

4. 最终结果

$${\mathbf{v}}_{\text{投影}}={\mathbf{v}}_{\perp }=\mathbf{v}-\frac{\mathbf{v}\cdot \mathbf{n}}{\Vert \mathbf{n}{\Vert }^2}\mathbf{n}$$

向量投影示意图

若需要进一步可视化，我可以绘制一张图展示 $\mathbf{v}$ 在平面上的投影关系。

---

示例计算

假设：

• $\mathbf{v}=(3,4,5)$
• 平面法向量 $\mathbf{n}=(0,0,1)$

步骤：

1. 计算点积 $\mathbf{v}\cdot \mathbf{n}$:
   $$\mathbf{v}\cdot \mathbf{n}=3\cdot 0+4\cdot 0+5\cdot 1=5$$

2. 计算法向量的模长平方 $|\mathbf{n}{|}^2$:
   $$\Vert \mathbf{n}{\Vert }^2=0^2+0^2+1^2=1$$

3. 计算平行分量 ${\mathbf{v}}_{\parallel }$:
   $${\mathbf{v}}_{\parallel }=\frac{5}{1}(0,0,1)=(0,0,5)$$

4. 计算投影向量 ${\mathbf{v}}_{\perp }$:
   $${\mathbf{v}}_{\perp }=\mathbf{v}-{\mathbf{v}}_{\parallel }=(3,4,5)-(0,0,5)=(3,4,0)$$

最终结果：
$${\mathbf{v}}_{\text{投影}}=(3,4,0)$$

---

PFH (Point Feature Histogram) 是一种常用的三维点云特征描述子，专门用于点云中的关键点描述和特征提取。它是一种基于几何关系的描述子，用于捕获点云局部几何特征。PFH 描述子广泛应用于三维点云的配准、物体识别和分类等任务中。

---

---

---

PFH 的基本概念

PFH 描述子通过计算目标点与其邻域点的几何关系，生成一个高维直方图来表示该点的局部特征。它包含了以下步骤：

1. 邻域搜索：
   对目标点查找其邻域内的所有点（通常通过半径搜索或 k 近邻搜索）。
2. 局部坐标系定义：
   对于目标点 $p_i$ 和其邻域中的每一个点 $p_j$，定义一个局部坐标系来描述两点之间的几何关系。
3. 几何特征计算：
   在局部坐标系中，计算两点之间的几何特征，主要包括：
   • $\alpha$ (alpha)： 描述点对之间的角度偏差；
   • $\varphi$ (phi)： 法向量的角度关系；
   • $\theta$ (theta)： 点对向量与法向量的夹角。
4. 特征直方图构建：
   将计算得到的几何特征 ($\alpha ,\varphi ,\theta$) 分别量化为直方图的不同维度。最后将这些直方图组合成一个高维直方图，作为目标点的描述子。

---

PFH 描述子的公式

对于每对点 $(p_i,p_j)$，定义以下几何关系：

1. 向量定义：
   • $\mathbf{d}={\mathbf{p}}_j-{\mathbf{p}}_i$，为两点之间的方向向量。
   • ${\mathbf{n}}_i,{\mathbf{n}}_j$ 为点 $p_i,p_j$ 的法向量。
2. 几何特征：
   • $\alpha =\arctan \left(\frac{{\mathbf{n}}_j\cdot (\mathbf{d}\times {\mathbf{n}}_i)}{\mathbf{d}\cdot {\mathbf{n}}_i}\right)$
   • $\varphi =\arccos ({\mathbf{n}}_i\cdot \mathbf{d})$
   • $\theta =\arccos ({\mathbf{n}}_i\cdot {\mathbf{n}}_j)$
3. 直方图构建： 将这些几何特征投影到直方图中，生成固定维度的特征描述子。

---

PFH 描述子几何特征详解

在 PFH（Point Feature Histogram）描述子中，$\alpha ,\varphi ,\theta$ 是用来描述点对 $(p_i,p_j)$ 之间局部几何关系的三个核心参数。它们通过点云位置和法向量的相对关系，捕获点云局部的几何结构。

---

符号定义

1. ${\mathbf{p}}_i,{\mathbf{p}}_j$：两点的位置向量。
2. ${\mathbf{n}}_i,{\mathbf{n}}_j$：两点对应的法向量。
3. $\mathbf{d}={\mathbf{p}}_j-{\mathbf{p}}_i$：两点之间的方向向量。

以下是三个特征的逐项解析：

---

1. $\alpha$:

$$\alpha =\arctan \left(\frac{{\mathbf{n}}_j\cdot (\mathbf{d}\times {\mathbf{n}}_i)}{\mathbf{d}\cdot {\mathbf{n}}_i}\right)$$

• 几何意义：
  $\alpha$ 描述了法向量 ${\mathbf{n}}_j$ 和 $\mathbf{d}$ 方向向量之间的扭转关系，是对三者的空间交互关系的一个度量。
• 分子 ${\mathbf{n}}_j\cdot (\mathbf{d}\times {\mathbf{n}}_i)$：
  • 计算 $\mathbf{d}\times {\mathbf{n}}_i$，即方向向量 $\mathbf{d}$ 和法向量 ${\mathbf{n}}_i$ 的叉积，得到一个垂直于 $\mathbf{d}$ 和 ${\mathbf{n}}_i$ 平面的向量。
  • 点积 ${\mathbf{n}}_j\cdot (\mathbf{d}\times {\mathbf{n}}_i)$ 计算 ${\mathbf{n}}_j$ 在该平面垂直方向上的投影，从而衡量 ${\mathbf{n}}_j$ 与该平面的偏离程度。
• 分母 $\mathbf{d}\cdot {\mathbf{n}}_i$：
  • 表示方向向量 $\mathbf{d}$ 在法向量 ${\mathbf{n}}_i$ 上的投影。
  • 分母用来对分子归一化，确保 $\alpha$ 的取值范围符合 $\arctan$ 的定义域。
• 关键点：
  $\alpha$ 的正负与值大小反映了 ${\mathbf{n}}_j$ 在 ${\mathbf{n}}_i$ 和 $\mathbf{d}$ 所定义的平面中的相对旋转角度。

---

2. $\varphi$:

$$\varphi =\arccos ({\mathbf{n}}_i\cdot \mathbf{d})$$

• 几何意义：
  $\varphi$ 是 ${\mathbf{n}}_i$ 和 $\mathbf{d}$ 之间的夹角，表示法向量 ${\mathbf{n}}_i$ 与方向向量 $\mathbf{d}$ 的对齐程度。
• 公式推导：
  • ${\mathbf{n}}_i\cdot \mathbf{d}=|{\mathbf{n}}_i||\mathbf{d}|\cos \varphi$，点积直接给出了夹角的余弦值。
  • 通过 $\arccos$ 得到角度 $\varphi$。
• 取值范围：
  • $\varphi \in [0,\pi ]$。
  • 当 $\varphi =0$ 时，${\mathbf{n}}_i$ 和 $\mathbf{d}$ 完全平行。
  • 当 $\varphi =\pi /2$ 时，${\mathbf{n}}_i$ 和 $\mathbf{d}$ 正交。
  • 当 $\varphi =\pi$ 时，${\mathbf{n}}_i$ 和 $\mathbf{d}$ 完全反向。

---

3. $\theta$:

$$\theta =\arccos ({\mathbf{n}}_i\cdot {\mathbf{n}}_j)$$

• 几何意义：
  $\theta$ 是 ${\mathbf{n}}_i$ 和 ${\mathbf{n}}_j$ 之间的夹角，描述两点法向量的方向差异。
• 公式推导：
  • ${\mathbf{n}}_i\cdot {\mathbf{n}}_j=|{\mathbf{n}}_i||{\mathbf{n}}_j|\cos \theta$。
  • 通过 $\arccos$ 计算夹角 $\theta$。
• 取值范围：
  • $\theta \in [0,\pi ]$。
  • 当 $\theta =0$ 时，${\mathbf{n}}_i$ 和 ${\mathbf{n}}_j$ 方向完全一致。
  • 当 $\theta =\pi /2$ 时，${\mathbf{n}}_i$ 和 ${\mathbf{n}}_j$ 正交。
  • 当 $\theta =\pi$ 时，${\mathbf{n}}_i$ 和 ${\mathbf{n}}_j$ 方向完全相反。

---

三者的关系与直方图构建

• 三角参数的物理意义：
  这三个参数从不同角度描述了点对 $(p_i,p_j)$ 的几何关系：
  • $\alpha$：捕获法向量与方向向量之间的旋转信息。
  • $\varphi$：描述法向量 ${\mathbf{n}}_i$ 与方向向量 $\mathbf{d}$ 的夹角。
  • $\theta$：衡量两个点的法向量之间的角度差异。
• 直方图构建：
  • 对每个点对 $(p_i,p_j)$ 计算上述三种特征。
  • 将三种特征分别量化到直方图的不同维度中，最终得到一个高维直方图。

---

直观解释

可以将 $\alpha ,\varphi ,\theta$ 看作是对局部几何关系的“全面体检”：

• $\alpha$ 检查法向量如何绕着方向向量旋转；
• $\varphi$ 检查方向向量在法向量的方向上有多大的偏移；
• $\theta$ 检查法向量之间是否一致。

它们结合起来，完整描述了点对之间的空间几何关系。

---

PFH 的特性

1. 高维度： PFH 描述子的维度较高（125 维），因为它对每个点对的几何关系都进行精确建模。这使得 PFH 能够捕获更详细的局部信息。
2. 鲁棒性： PFH 对噪声和点云稀疏程度具有较好的鲁棒性，但其计算复杂度较高。
3. 对点对几何关系的建模： PFH 考虑了邻域中每对点的几何关系，这使得它可以捕获更多的信息，但也导致了较高的计算复杂度。

---

PFH 的优缺点

优点：

1. 丰富信息： PFH 捕获了邻域点之间的所有几何关系，信息量丰富。
2. 高鲁棒性： 对于复杂的局部几何形状，PFH 描述子表现出色。

缺点：

1. 高计算复杂度： 由于考虑了邻域中每对点的关系，PFH 的计算复杂度为 $O(n^2)$。
2. 高维度： PFH 的高维度可能会导致存储和匹配上的性能问题。

---

FPFH (Fast PFH)

由于 PFH 的计算复杂度较高，提出了一种加速版本 FPFH (Fast Point Feature Histogram)。
FPFH 不再计算邻域中所有点对的几何关系，而是通过分层的方法，只计算目标点与邻域点的几何关系，再结合邻域点的 PFH 特征进行加权组合，从而降低计算复杂度到 $O(n)$。

---

PFH 的应用场景

1. 点云配准：
   使用 PFH 描述子匹配关键点，完成不同点云的对齐。
2. 物体识别：
   对三维点云中的物体进行特征提取，用于物体分类和识别。
3. 局部特征分析：
   PFH 描述子可以描述点云局部的几何特性，用于三维形状分析。

---

示例代码

以下是一个计算点云 PFH 描述子的简要示例：

#include <pcl/io/pcd_io.h>
#include <pcl/features/pfh.h>
#include <pcl/features/normal_3d.h>

typedef pcl::PointXYZ PointT;

int main() {
    // 读取点云
    pcl::PointCloud<PointT>::Ptr cloud(new pcl::PointCloud<PointT>);
    pcl::io::loadPCDFile("cloud.pcd", *cloud);

    // 计算法向量
    pcl::NormalEstimation<PointT, pcl::Normal> ne;
    ne.setInputCloud(cloud);
    pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>);
    ne.setSearchMethod(tree);

    pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);
    ne.setRadiusSearch(0.05); // 半径搜索
    ne.compute(*normals);

    // 计算 PFH 描述子
    pcl::PFHEstimation<PointT, pcl::Normal, pcl::PFHSignature125> pfh;
    pfh.setInputCloud(cloud);
    pfh.setInputNormals(normals);
    pfh.setSearchMethod(tree);
    pcl::PointCloud<pcl::PFHSignature125>::Ptr pfh_features(new pcl::PointCloud<pcl::PFHSignature125>);
    pfh.setRadiusSearch(0.1); // 设置搜索半径
    pfh.compute(*pfh_features);

    std::cout << "PFH features computed: " << pfh_features->size() << std::endl;
    return 0;
}

---

为什么PFH特征是旋转不变的？

PFH特征通过对局部几何形状的描述来表示每个点的特征，它不仅依赖于点的位置，还依赖于点与其邻域内其他点的几何关系，具体包括法向量和点之间的角度信息。旋转不变性来源于PFH的计算方式，它利用了点云中每个点的局部几何关系，而不依赖于点云的绝对位置和方向。

PFH特征的核心步骤包括：

1. 法向量计算：PFH首先计算每个点的法向量，这对于描述点云的局部形状至关重要。
2. 计算角度信息：PFH通过计算邻域内点与目标点的相对角度，考虑了法向量与其他点之间的关系。这些角度信息本质上是旋转不变的，因为它们只是描述了点之间的几何关系，而不受全局旋转的影响。

因此，即使点云在空间中被旋转，PFH特征也能保持不变。这使得PFH特征特别适用于处理在不同角度下捕获的点云数据，保证了特征的稳健性和一致性。

总结

PFH特征对旋转具有不变性，这使得它在处理3D点云数据时，尤其是在物体识别和配准任务中非常有用。