如何使用描述子比较点云相似度 基于FPFH特征的PCD文件对比方法

可行性结论 #

完全可以通过对比FPFH描述子衡量两个点云的相似度。FPFH是描述点局部几何属性的33维特征向量，同一几何结构的点对应的FPFH特征距离极小，因此可以通过特征匹配的结果直接反映两个点云的结构相似程度。

具体操作步骤 #

• 第一步：统一特征提取前置参数
  先确认两个点云的预处理逻辑完全一致：体素下采样的分辨率、法线估计的邻域搜索半径、FPFH提取的邻域范围必须相同，否则提取的特征没有可比性。如果两个点云尺度不同，需要先通过尺度归一化（比如用点云包围盒对角线长度做缩放）消除尺度差。
• 第二步：FPFH特征匹配
  以两个点云的FPFH特征集为输入，用双向最近邻匹配算法筛选初始匹配对：对A点云的每个特征，在B点云的特征集中找欧氏距离最小的特征作为候选匹配，再反向对B点云的该特征在A的特征集中找最近邻，只有两次匹配结果一致才判定为有效初始匹配对。
  常用实现可以直接调用PCL库的pcl::CorrespondenceEstimation类完成匹配逻辑，无需手动实现。
• 第三步：误匹配过滤
  用RANSAC算法基于初始匹配对求解两个点云的刚体变换矩阵，同时剔除不符合变换关系的外点匹配对，仅保留内点匹配对。
• 第四步：相似度量化计算
  可以选择以下一个或多个指标量化相似度，数值越接近阈值说明点云相似度越高：
  • 内点匹配率：内点匹配对数量除以两个点云特征点数量的较小值，数值越接近1相似度越高
  • 平均特征距离：所有内点匹配对的FPFH特征欧氏距离的平均值，数值越小相似度越高
  • 配准重叠率：如果需要更高精度，可基于RANSAC得到的初始变换做ICP精配准，计算配准后两个点云的重叠点占比，占比越高相似度越高

注意事项 #

• FPFH是局部特征，仅能反映点周围的局部几何结构，如果两个点云存在大量相似局部结构但整体结构不同，会出现相似度误判，需要衡量全局相似度建议结合VFH等全局特征使用
• 平坦区域、重复结构的FPFH特征区分度极低，这类点云的相似度判断建议额外结合颜色、点云整体轮廓等信息辅助验证

内容的提问来源于stack exchange，提问作者avinash bhat