第3章点云特征提取

3、点云特征提取：法向量估计、PFH与FPFH特征、点云曲率计算

点云特征提取，说白了就是给每个点“做体检”。

你想想看，原始点云就是一坨坐标点，计算机根本不知道哪里是平面、哪里是拐角、哪里是边缘。我们要做的，就是把这些几何属性算出来。我个人习惯把这一步叫做“点云的灵魂注入”——没有特征的点云，就是一堆死数据。

3.1 法向量估计：点云的“朝向”密码

法向量是什么？就是垂直于局部曲面的方向向量。嗯，这里要注意：法向量不是点的固有属性，而是它所在局部曲面的属性。

估计方法：PCA（主成分分析）

最常用的方法就是PCA。思路很简单：

对每个点，找它的k个近邻（或者半径r内的邻居）
计算这些邻居点的协方差矩阵
求协方差矩阵的特征值和特征向量
最小特征值对应的特征向量，就是法向量方向

我在项目中遇到过一个问题：法向量方向不统一。有的朝里，有的朝外，这会导致后续分割直接崩掉。解决办法是——做方向一致性调整，让所有法向量都指向视点方向。

  核心公式：

  协方差矩阵 C = (1/k) * Σ(pi - p̄)(pi - p̄)T

  其中 p̄ 是邻域质心，pi 是邻域点

// 伪代码：法向量估计
for each point p in cloud:
    neighbors = kdtree.radius_search(p, radius)
    centroid = mean(neighbors)
    covariance = compute_covariance(neighbors, centroid)
    eigenvalues, eigenvectors = eigen_decompose(covariance)
    normal = eigenvectors[:, 2]  // 最小特征值对应特征向量
    // 方向一致性调整
    if dot(normal, view_direction) < 0:
        normal = -normal

我的经验：k值的选择很关键。k太小，法向量对噪声敏感；k太大，会平滑掉细节特征。我一般取k=20~50，具体看点云密度。对于室内场景，半径法比k近邻法更稳定。

3.2 PFH与FPFH：点特征直方图

法向量只是基础特征。真正做分割和识别时，我们需要更丰富的描述子。PFH（Point Feature Histogram）就是其中之一。

PFH的核心思想：

对每个点，计算它和邻域内所有其他点对的几何关系。说白了，就是看两个点之间的法向量夹角、距离等，然后统计成直方图。

PFH用了四个角度特征：

α：法向量之间的夹角
φ：法向量与点对连线的夹角
θ：法向量在连线方向上的投影夹角
d：两点之间的欧氏距离

但是PFH有个大问题——计算量太大！每个点要和邻域内所有点配对，复杂度是O(n·k²)。我当年做室内场景分割时，用PFH跑了整整一个晚上，结果第二天发现FPFH只需要半小时。

FPFH（Fast Point Feature Histogram）的改进：

FPFH做了两件事来提速：

只计算查询点和邻居之间的特征（SPFH）
再对邻居的SPFH做加权求和

复杂度降到了O(n·k)，而且效果几乎没差。说白了，FPFH就是PFH的“轻量版”，但保留了核心的几何区分能力。

  FPFH计算公式：

  FPFH(p) = SPFH(p) + (1/k) * Σ (1/ωi) * SPFH(pi)

  其中 ωi 是查询点与邻居pi的距离

// 伪代码：FPFH计算
for each point p:
    // 第一步：计算SPFH
    for each neighbor n in p's neighbors:
        compute_angular_features(p, n)
        update_SPFH_histogram(p, features)
    
    // 第二步：加权邻居SPFH
    for each neighbor n in p's neighbors:
        weight = 1.0 / distance(p, n)
        FPFH[p] += weight * SPFH[n]
    
    FPFH[p] /= sum(weights)

避坑指南：我曾经在点云配准项目里直接用FPFH做匹配，结果发现两个完全不同的平面居然有相似的FPFH特征。后来才意识到——FPFH对平面区域区分度不够，需要结合曲率或位置信息一起用。

3.3 点云曲率计算：识别“拐弯”的地方

曲率，说白了就是曲面弯曲的程度。平面曲率为0，球面曲率为常数，边缘处曲率突变。

曲率估计方法：

还记得前面PCA算出来的特征值吗？三个特征值λ₁ ≥ λ₂ ≥ λ₃，它们藏着曲率信息。

最常用的曲率指标是：

表面曲率： σ = λ₃ / (λ₁ + λ₂ + λ₃)
高斯曲率： K = λ₁ * λ₂ * λ₃（近似）
平均曲率： H = (λ₁ + λ₂) / 2（近似）

我个人习惯用表面曲率σ，因为它归一化到0~1之间，阈值好设。平面区域σ接近0，边缘区域σ会突然变大。

实用技巧：在做点云分割时，我经常先用曲率做“边缘检测”——曲率大的点标记为候选边界点，然后做区域生长。这样比直接聚类快得多，而且边界更清晰。

// 曲率计算示例
def compute_curvature(neighbors):
    centroid = np.mean(neighbors, axis=0)
    cov = np.cov((neighbors - centroid).T)
    eigenvalues, _ = np.linalg.eigh(cov)
    eigenvalues = np.sort(eigenvalues)  # 升序排列
    curvature = eigenvalues[0] / np.sum(eigenvalues)
    return curvature

3.4 知识体系总览

下面这张图，是我自己梳理的特征提取流程。你一看就明白这三者之间的关系了。

你看这个流程就清楚了：法向量是地基，PFH/FPFH是上层建筑，曲率是辅助判断。三者配合使用，才能做好点云分割和聚类。

  总结一下：

  法向量：每个点的朝向信息，PCA估计，注意方向一致性
PFH/FPFH：局部几何描述子，FPFH是PFH的加速版，适合大规模点云
曲率：弯曲程度度量，用PCA特征值计算，适合做边缘检测

嗯，特征提取这部分就讲到这里。实际项目中，我建议你先用法向量+曲率做快速分割，如果效果不够好，再上FPFH。别一上来就全量计算，点云数据量大的时候，计算时间会让你怀疑人生的。

📚 课程目录

3、点云特征提取：法向量估计、PFH与FPFH特征、点云曲率计算

3.1 法向量估计：点云的“朝向”密码

3.2 PFH与FPFH：点特征直方图

3.3 点云曲率计算：识别“拐弯”的地方

3.4 知识体系总览