为何Eigen库计算类立方体点云的特征向量不符合预期？

问题根源 #

你遇到的问题本质是各向同性点云（如立方体）的PCA特征向量不唯一：

• 完美立方体的协方差矩阵三个特征值完全相等，此时任意三个正交向量都可作为特征向量，Eigen求解器会返回一组满足数学正交性的向量，但不一定和立方体边缘对齐。
• 当给立方体点云加微小扰动、或点云包含噪声/多余点时，协方差矩阵的特征值会出现极小差异但仍接近相等，求解器返回的特征向量会偏离立方体轴方向——因为此时特征向量的解仍处于“不稳定”状态，微小数值变化就会导致结果大幅偏移。
• 普通长方体是各向异性的，三个特征值差异明显，特征向量的解唯一且稳定，因此PCA方法表现良好。

解决方案 #

针对各向同性点云（如立方体），需放弃单纯依赖PCA，改用基于几何特征的方法确定包围盒轴方向，步骤如下：

1. 判断点云是否为各向同性 #

计算PCA的三个特征值，检查它们的相对差异是否在阈值内（如1e-3），以此判断是否为近似立方体：

Eigen::Vector3f eigen_values = solver.eigenvalues();
// 判断特征值是否近似相等（各向同性）
bool is_isotropic = (std::abs(eigen_values[0] - eigen_values[1]) < 1e-3) && 
                    (std::abs(eigen_values[1] - eigen_values[2]) < 1e-3);

2. 各向同性点云的轴方向计算方法 #

方法一：基于凸包的几何特征提取

立方体的凸包顶点包含边缘方向信息，可从凸包的边中提取正交轴：

#include <pcl/surface/convex_hull.h>

// 计算点云凸包
pcl::ConvexHull<pcl::PointXYZ> hull;
hull.setInputCloud(cloud.makeShared());
pcl::PointCloud<pcl::PointXYZ> hull_cloud;
hull.reconstruct(hull_cloud);

// 提取凸包的所有边方向
std::vector<Eigen::Vector3f> edge_dirs;
for (size_t i = 0; i < hull_cloud.size(); ++i) {
    size_t j = (i + 1) % hull_cloud.size();
    Eigen::Vector3f dir = hull_cloud[j].getVector3fMap() - hull_cloud[i].getVector3fMap();
    if (dir.norm() > 1e-6) { // 过滤无效边
        dir.normalize();
        edge_dirs.push_back(dir);
    }
}

// 第一步：选最长边的方向作为x轴
Eigen::Vector3f x_axis = edge_dirs[0];
float max_edge_len = (hull_cloud[1].getVector3fMap() - hull_cloud[0].getVector3fMap()).norm();
for (size_t i = 1; i < hull_cloud.size(); ++i) {
    size_t j = (i + 1) % hull_cloud.size();
    float len = (hull_cloud[j].getVector3fMap() - hull_cloud[i].getVector3fMap()).norm();
    if (len > max_edge_len) {
        max_edge_len = len;
        x_axis = edge_dirs[i];
    }
}

// 第二步：找与x轴最垂直的边方向，正交化后作为y轴
Eigen::Vector3f y_axis;
float min_dot_product = 1.0f;
for (const auto& dir : edge_dirs) {
    float dot = std::abs(x_axis.dot(dir));
    // 跳过近乎平行的方向
    if (dot < min_dot_product && dot < 0.9f) {
        min_dot_product = dot;
        y_axis = dir;
    }
}
// Gram-Schmidt正交化，确保与x轴垂直
y_axis -= x_axis * x_axis.dot(y_axis);
y_axis.normalize();

// 第三步：叉乘得到z轴
Eigen::Vector3f z_axis = x_axis.cross(y_axis);
z_axis.normalize();

// 构造最终的方向矩阵（列向量为轴方向）
Eigen::Matrix3f oriented_basis;
oriented_basis.col(0) = x_axis;
oriented_basis.col(1) = y_axis;
oriented_basis.col(2) = z_axis;

方法二：直接使用轴对齐包围盒

对于立方体来说，轴对齐包围盒就是最小有向包围盒（立方体各边长度相等，旋转任何角度都不会缩小包围盒体积），可直接计算点云在三个坐标轴上的极值生成包围盒：

// 计算点云的轴对齐极值
float min_x = FLT_MAX, max_x = -FLT_MAX;
float min_y = FLT_MAX, max_y = -FLT_MAX;
float min_z = FLT_MAX, max_z = -FLT_MAX;
for (const auto& pt : cloud.points) {
    min_x = std::min(min_x, pt.x);
    max_x = std::max(max_x, pt.x);
    min_y = std::min(min_y, pt.y);
    max_y = std::max(max_y, pt.y);
    min_z = std::min(min_z, pt.z);
    max_z = std::max(max_z, pt.z);
}
// 包围盒的中心和尺寸
Eigen::Vector3f center((min_x+max_x)/2, (min_y+max_y)/2, (min_z+max_z)/2);
Eigen::Vector3f size(max_x-min_x, max_y-min_y, max_z-min_z);
// 方向矩阵就是单位矩阵
Eigen::Matrix3f oriented_basis = Eigen::Matrix3f::Identity();

方法三：RANSAC拟合正交平面

通过RANSAC拟合立方体的三个正交平面，从平面法向量得到轴方向，适合有较多噪声的立方体点云：

#include <pcl/segmentation/sac_segmentation.h>
#include <pcl/filters/extract_indices.h>

// 拟合第一个平面
pcl::SACSegmentation<pcl::PointXYZ> seg;
pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.01);
seg.setInputCloud(cloud.makeShared());
seg.segment(*inliers, *coefficients);
Eigen::Vector3f normal1(coefficients->values[0], coefficients->values[1], coefficients->values[2]);
normal1.normalize();

// 过滤第一个平面的点，拟合第二个平面
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pcl::ExtractIndices<pcl::PointXYZ> extract;
extract.setInputCloud(cloud.makeShared());
extract.setIndices(inliers);
extract.setNegative(true);
extract.filter(*cloud_filtered);
seg.setInputCloud(cloud_filtered);
seg.segment(*inliers, *coefficients);
Eigen::Vector3f normal2(coefficients->values[0], coefficients->values[1], coefficients->values[2]);
normal2.normalize();

// 确保两个法向量正交（修正噪声影响）
normal2 -= normal1 * normal1.dot(normal2);
normal2.normalize();

// 第三个法向量由叉乘得到
Eigen::Vector3f normal3 = normal1.cross(normal2);
normal3.normalize();

// 构造方向矩阵
Eigen::Matrix3f oriented_basis;
oriented_basis.col(0) = normal1;
oriented_basis.col(1) = normal2;
oriented_basis.col(2) = normal3;

总结 #

• 单纯PCA仅适用于各向异性点云（如普通长方体），对于各向同性点云（如立方体），由于特征向量不唯一，微小扰动会导致结果偏离预期。
• 针对立方体类点云，通过凸包几何特征提取、轴对齐包围盒或RANSAC平面拟合的方法，可稳定得到与边缘对齐的包围盒方向。

内容的提问来源于stack exchange，提问作者TobiBrtnr