摘要

在我们近期的工作[1]、[2]中，我们提出了点特征直方图（Point Feature Histograms, PFH），作为一种鲁棒的多维特征，用于描述三维点云数据集中某一点 ( p ) 周围的局部几何结构。本文中，我们对PFH的数学表达式进行了改进，并对其在重叠点云视图三维配准问题中的鲁棒性与计算复杂度进行了严格的分析。具体而言，我们提出了一系列优化方法，通过缓存先前计算的中间结果或重构其理论表达形式，显著降低了PFH的计算耗时。后一种方法衍生出一类新型局部特征，称为快速点特征直方图（Fast Point Feature Histograms, FPFH），该特征在保留PFH大部分区分能力的同时，大幅提升了计算效率。此外，我们还提出了一种面向实时应用的FPFH特征在线计算算法。为验证所提方法的有效性，我们展示了其在三维配准任务中的高效表现，并进一步提出了一种基于样本共识（Sample Consensus）的新方法，用于将两个点云数据集初步对齐至局部非线性优化器的收敛域内，该方法命名为SAC-IA（SAmple Consensus Initial Alignment）。