3、点云特征提取：法向量估计、FPFH特征、SHOT特征、点云关键点检测(ISS/Harris3D)
好，咱们进入第三章。这一章讲的是点云特征提取，说白了就是给点云“画像”。你想想看，一堆散乱的点，怎么让算法认出它们是桌子、椅子还是墙角？靠的就是特征。
我个人习惯把特征提取比作“给点云做体检”。法向量是测“朝向”，FPFH和SHOT是测“局部纹理”，关键点检测则是找“骨架”。这三板斧砍下去，点云就不再是冷冰冰的数字了。
3.1 法向量估计：点云的“脸”朝哪边
法向量，就是点云表面每个点的朝向。比如地面上的点，法向量基本都朝上；墙上的点，法向量朝水平方向。这玩意儿是后续所有特征的基础。
怎么算？ 最常用的方法是PCA（主成分分析）。对每个点，找它周围最近的K个邻居，然后算这堆点的协方差矩阵。最小特征值对应的特征向量，就是法向量方向。
嗯，这里要注意：算出来的法向量方向是不确定的，可能朝里也可能朝外。我刚开始做项目时就被这个坑过——明明是一面墙，法向量却一半朝里一半朝外，聚类结果乱七八糟。
flipNormalTowardsViewpoint() 搞定。
// PCL法向量估计示例
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
ne.setInputCloud(cloud);
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());
ne.setSearchMethod(tree);
ne.setRadiusSearch(0.03); // 半径3cm内找邻居
ne.compute(*normals);半径选多大？我建议根据点云密度来。激光雷达点云一般选0.02-0.05米，太大会把不同平面的点混在一起，太小则噪声大。
3.2 FPFH特征：快速点特征直方图
FPFH全称是Fast Point Feature Histogram。名字挺长，但核心思想很简单：用直方图描述一个点周围邻居的几何关系。
它比法向量强在哪？ 法向量只描述“点”本身，FPFH描述的是“点+邻居”的局部结构。比如一个点在平面上，和在棱角上，FPFH的分布完全不同。
我记得有一次做点云配准，用FPFH做粗匹配，效果出奇的好。两个不同角度扫描的椅子，FPFH特征一匹配，直接就把对应点找出来了。
| 特征 | 维度 | 计算速度 | 鲁棒性 |
|---|---|---|---|
| PFH | 125 | 慢 | 高 |
| FPFH | 33 | 快 | 中高 |
| SHOT | 352 | 中 | 高 |
FPFH只有33维，比PFH的125维小得多，但效果差不太多。说白了就是“用更少的钱办差不多的事”。
// FPFH特征计算
pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
fpfh.setInputCloud(cloud);
fpfh.setInputNormals(normals);
fpfh.setSearchMethod(tree);
fpfh.setRadiusSearch(0.05);
fpfh.compute(*fpfh_features);3.3 SHOT特征：更精细的局部描述子
SHOT（Signature of Histograms of OrienTations）是另一种局部特征。它比FPFH更精细，但计算量也更大。
SHOT怎么工作的？ 它把点周围的球空间分成多个小格子，每个格子内统计法向量方向的直方图。说白了就是“把局部空间切成小块，每块里统计朝向”。
我个人觉得SHOT在物体识别场景特别好用。比如识别桌子上的杯子，SHOT特征能区分出杯口和杯身的几何差异。FPFH在这类场景下就有点“脸盲”。
// SHOT特征计算
pcl::SHOTEstimation<pcl::PointXYZ, pcl::Normal, pcl::SHOT352> shot;
shot.setInputCloud(cloud);
shot.setInputNormals(normals);
shot.setSearchMethod(tree);
shot.setRadiusSearch(0.04);
shot.compute(*shot_features);SHOT输出352维特征，比FPFH大了一个数量级。所以如果你的点云有几十万个点，算SHOT会有点慢。我建议只在关键点上算SHOT，别在全图上跑。
3.4 关键点检测：ISS与Harris3D
关键点，就是点云里“特别”的点。比如墙角、桌角、物体尖点。这些点信息量大，适合做后续的匹配和识别。
ISS（Intrinsic Shape Signatures） 是我比较喜欢用的方法。它通过分析每个点邻域的协方差矩阵特征值，来判断这个点是不是“突出”的。
具体来说，ISS算三个特征值λ1≥λ2≥λ3。如果λ2/λ1和λ3/λ2都小于某个阈值，说明这个点周围几何变化剧烈——这就是关键点。
- salient_radius：搜索半径，一般0.02-0.05米
- non_max_radius：非极大值抑制半径
- threshold21：λ2/λ1阈值，默认0.975
- threshold32：λ3/λ2阈值，默认0.975
Harris3D 是2D Harris角点检测的3D版本。它用点云的协方差矩阵构造“响应函数”，响应值大的点就是角点。
我记得有一次做建筑物点云分割，用Harris3D检测墙角，效果特别好。但要注意，Harris3D对噪声比较敏感，点云质量差的时候会检测出很多假角点。
// ISS关键点检测
pcl::ISSKeypoint3D<pcl::PointXYZ, pcl::PointXYZ> iss;
iss.setInputCloud(cloud);
iss.setSearchMethod(tree);
iss.setSalientRadius(0.05f);
iss.setNonMaxRadius(0.03f);
iss.setThreshold21(0.975f);
iss.setThreshold32(0.975f);
iss.compute(*keypoints);3.5 实战建议：怎么选特征？
说了这么多，到底用哪个？我根据经验给个建议：
- 做配准：FPFH做粗匹配，ICP做精匹配。又快又稳。
- 做物体识别：SHOT特征，虽然慢但准确率高。
- 做分割：法向量+ISS关键点，够用了。
- 做实时系统：只用法向量和FPFH，别碰SHOT。
你想想看，特征提取就像选工具——锤子螺丝刀各有各的用处。没有最好的特征，只有最合适的特征。
好，这一章就到这里。下一章咱们讲点云分割，到时候这些特征全都会用上。