莫海軍 陳杰 王順棟

(華南理工大學(xué) 機械與汽車工程學(xué)院,廣東 廣州 510640)

在三維點云數(shù)據(jù)處理技術(shù)中，特征描述子的檢測和描述能力直接影響著后繼的點云配準(zhǔn)、識別定位等環(huán)節(jié)，使用合適的特征描述子進行特征提取往往能夠取得更好的效果[1- 2]。因此，如何運用點云的形狀和紋理信息進行高效率的特征提取是一個很有意義的研究課題[3]。

點云特征描述技術(shù)發(fā)展至今已有多種多樣的局部特征描述子。在基于空間分布直方圖的局部特征描述子方面[4]，F(xiàn)rome等[5]提出三維形狀上下文(3D Shape Context,3DSC)描述子，將特征點的領(lǐng)域劃分為三維球形網(wǎng)格，并統(tǒng)計柵格內(nèi)的點云數(shù)量得到特征信息;Tombari等[6]對3DSC描述子進行拓展，提出了唯一形狀上下文(Unique Shape Context，USC)描述子，該描述子可避免對同一特征點生成多個特征描述;Guo等[7]提出旋轉(zhuǎn)投影統(tǒng)計(Rotational Projection Statistics，RoPS)描述子，將局部曲面點云投影到3個坐標(biāo)平面后通過統(tǒng)計特征點的分布情況獲取特征信息；后來Guo等[8]又提出了TriSI(Tri Spin Image)描述子，該描述子可以有效地表示在柱面坐標(biāo)系下點的分布情況。

在基于幾何屬性直方圖的局部特征描述子方面，Rusu等[9]提出了點特征直方圖(Point Feature Histograms，PFH)描述子及其改進版本快速點特征直方圖(Fast Point Feature Histograms，F(xiàn)PFH)[10]描述子，后者的計算復(fù)雜度更低，且直方圖維數(shù)小,便于后期特征匹配;Tombari等[11]提出的方向直方圖簽名(Signature of Histogram of Orientations，SHOT)描述子，采用簽名和直方圖的混合結(jié)構(gòu)，使其描述能力和魯棒性更強。

大多數(shù)特征描述子都只是對點云形狀進行特征描述，能夠同時對形狀和紋理信息進行特征提取的描述子不多[12- 13]。Rusu等[9]在PFH描述子的基礎(chǔ)上進行拓展提出PFHRGB描述子，但該描述子也存在一些缺點(形狀描述方面計算復(fù)雜度較大且對噪點及點密度敏感;紋理描述方面是根據(jù)RGB色彩空間計算，對紋理的差異描述不夠充分);Tombari等[14- 15]根據(jù)SHOT描述子拓展其紋理描述能力提出了CSHOT描述子，但由于直方圖維數(shù)較大，導(dǎo)致在描述子匹配時計算負荷大;Andrei等[16]提出的Mesh-HoG主要用于描述均勻的三角網(wǎng)格，通過平均曲率和顏色來計算描述子，由于計算平均曲率導(dǎo)致受噪點及點密度影響明顯，且與前者比計算效率低下。

本研究根據(jù)快速點特征直方圖描述子算法，提出一種能夠結(jié)合點云形狀及紋理信息的新型特征描述子FPFHCOLOR，同時對點云形狀與紋理信息進行特征編碼，提高特征描述子的描述及檢測性能，并通過特征匹配試驗和點密度變化試驗對該描述子的性能進行驗證。

1 結(jié)合點云形狀與紋理信息的特征描述子

構(gòu)建特征描述子的主要思路是分別對點云形狀信息和紋理信息進行編碼，通過分類統(tǒng)計的方法將編碼結(jié)果放入對應(yīng)子區(qū)間，生成多維的形狀特征直方圖數(shù)據(jù)和紋理特征直方圖數(shù)據(jù)，最后將兩者連接合并獲得FPFHCOLOR特征描述子。

1.1 形狀特征直方圖的構(gòu)建

對點云形狀進行特征提取的描述子算法很多，文中選用快速點特征直方圖(FPFH)描述子算法進行點云形狀信息的特征提取。

1.1.1 鄰域空間拓撲結(jié)構(gòu)

圖1 FPFH鄰域空間拓撲關(guān)系示意圖

1.1.2 構(gòu)建空間特征直方圖

(1)

SPF直方圖中分別對點對空間屬性度量f1、f2、f3構(gòu)建一個分量直方圖，將每個點對空間屬性度量的值域分為10個區(qū)間，即該度量的分量直方圖維數(shù)為10+1=11，然后將這些分量直方圖連接起來即得到SPF，最終獲得長度為11*3=33維的特征直方圖;最后通過式(1)加權(quán)計算得到FPFH直方圖。

1.2 紋理特征直方圖的構(gòu)建

基于點云紋理信息構(gòu)建直方圖式描述子首先計算紋理屬性度量兩部分內(nèi)容，然后通過點云鄰域信息構(gòu)建紋理特征直方圖。前者關(guān)乎該直方圖描述子的特征描述能力，后者決定著其特征區(qū)分能力和匹配效率。

1.2.1 點對紋理屬性度量

為了盡量多的從點云紋理中獲取描述信息，采用CIELab色彩空間[17]進行紋理值量化，該色彩空間用L、a、b 3個分量來描述色彩，其中L代表亮度，a代表從綠色到紅色的分量，b代表從藍色到黃色的分量。CIELab色彩空間可以對色彩亮度進行量化，比RGB色彩空間在感知上更統(tǒng)一，色域更廣且可避免設(shè)備影響。

(2)

與計算點對形狀屬性度量不同的是，點對間的紋理值不具有空間上的拓撲關(guān)系，因此主要通過計算點對間紋理值的差異作為點對紋理屬性度量。首先，可以計算兩點間紋理值的L1范數(shù)來衡量其紋理差異，亦即計算兩點紋理值的絕對誤差和SAD：

(3)

本研究選取向量的L2范數(shù)來計算點對紋理屬性度量T進行后文的對比試驗，也就是兩向量間的歐氏距離De，即：

(4)

采用CIELab作為色彩空間時，不但可以使用上述L1和L2范數(shù)計算紋理屬性度量，根據(jù)文獻[17]提出的色彩差異計算方法CIE94，從亮度等維度計算色差能夠使整個色彩空間的色差在感知上一致，保證色差值的準(zhǔn)確性,其計算公式如式(5)；國際照明委員會在CIE94的基礎(chǔ)上進行改進，提出了CIE00色差改進計算方法[18]，其計算公式如式(6)：

(5)

(6)

式中:ΔE94為CIE94總色差；ΔE00為CIE00總色差；ΔL*、ΔC*、ΔH*分別為明度差、彩度差、色相差；kL、kC、kH為參數(shù)因子，調(diào)整偏離參考條件色差的明度、色度和色相分量的相對權(quán)重；SL、SC、SH為權(quán)重函數(shù)，校正色彩空間的均勻性；RT為旋轉(zhuǎn)函數(shù)，校正色彩空間藍色區(qū)域容差橢圓主軸方向的偏差。

根據(jù)上述點對紋理屬性的色彩空間與計算方式的選擇；當(dāng)選擇CIELab色彩空間時，有L1范數(shù)L1(Lab)、L2范數(shù)L2(Lab)、CIE94(Lab)和CIE00(Lab)4種點對紋理屬性度量的計算方式。在后文試驗部分，將會對這4種計算方式進行試驗比較。

1.2.2 評估紋理屬性度量的差異性

為了評估點對色差作為紋理屬性度量是否具備特征提取的差異性，生成如圖2(a)中的紅、黃、藍、綠四色點云數(shù)據(jù)，因該四色差異在點云數(shù)據(jù)中比較有代表性，故采集如圖中分布的p1-p55個樣點及其K-鄰域，其中K設(shè)置為100，并計算樣點與其K-鄰域中各點的CIE00(Lab)點對紋理屬性度量值，將其分為20個區(qū)間進行統(tǒng)計獲得簡易紋理直方圖分布如圖2(b)所示。最后采用KL距離[9](Kullback-Leibler Distance)來評估5個樣點直方圖的差異性，并繪制差異示意圖如圖2(c)，其中若兩直方圖差異越大，則其顏色越深。

圖2 色差作為紋理屬性度量的差異性評估

(7)

由圖2(b)可見，各樣點鄰域的色彩紋理不同，其計算所獲得的直方圖也分布在不同的區(qū)間，且色彩紋理相同但該色彩領(lǐng)域點數(shù)量不同時其區(qū)間值也不同。由圖2(c)可見，各樣點之間的KL距離基本上能保持在明顯差異(深灰色)的值域內(nèi)，表征著所采樣的5個樣點簡易紋理直方圖之間均具有良好的差異性，該差異性為后繼的特征匹配提供了良好的基礎(chǔ)。采用色差作為紋理屬性度量可將三維的紋理值降為單值，便于統(tǒng)計直方圖的差異性，同時提取色差值作為點對紋理屬性度量具有共性，能夠突出關(guān)鍵的紋理特征差異，避免了在統(tǒng)計過程中因信息冗余導(dǎo)致削弱需要突出的紋理差異性。

1.2.3 構(gòu)建紋理特征直方圖

(8)

為了提高紋理屬性度量在匹配時的區(qū)分度，文中將紋理屬性度量T在歸一化后分為30個區(qū)間，即初始紋理特征直方圖ICFH(·)與紋理特征直方圖CFH(·)的維數(shù)都為30+1=31。式(9)表示初始特征直方圖ICFH(pq)第j維的值，等于pq點K-鄰域中T的值處于[Tj,Tj+1]區(qū)間內(nèi)的個數(shù)，再乘以鄰域系數(shù)Δk的累加和；其中[Tj,Tj+1]表示當(dāng)T位于該區(qū)間則為1，否則為0。鄰域系數(shù)Δk由pq點的鄰域內(nèi)點數(shù)K值的大小決定，其目的在于一定程度上消除由于K取值和點密度變化導(dǎo)致的特征描述子差異，Δk的計算公式如式(10)所示。

(9)

(10)

1.2.4 紋理特征直方圖的點密度變化性能評估

再以圖2(a)中p1點作為樣點，對其鄰域進行降采樣獲得4種點云密度(ρ=1,2,4,6 cm)的點云(文中的點云密度定義為點云中各點與其最近鄰點的平均距離值)，并使用相同鄰域半徑(r=10 cm)計算獲得該樣點4種點云密度的紋理特征直方圖如圖3所示。由于直方圖鄰域結(jié)構(gòu)和鄰域系數(shù)Δk的作用，加權(quán)計算后使特征點的紋理直方圖總和為200，因此該紋理直方圖在點密度變化但紋理分布不變的情況下可獲得大致相同的紋理直方圖，對點密度變化的魯棒性強。

圖3 不同點密度下的紋理直方圖

1.3 構(gòu)建結(jié)合點云形狀與紋理的特征直方圖

根據(jù)式(11)，將前文中的33維形狀特征直方圖與31維紋理特征直方圖連接，最終FPFHCOLOR描述子構(gòu)建為33+31=64維的特征直方圖，如圖4所示。

圖4 FPFHCOLOR特征直方圖

FPFHCOLOR(pq)=FPFH(pq)∪CFH(pq)

(11)

2 試驗驗證

通過模型與場景的特征匹配試驗和點密度變化試驗，對上述構(gòu)建的多種FPFHCOLOR描述子進行測試驗證，并與現(xiàn)有的3種描述子算法(FPFH、PFHRGB、CSHOT)比較，分析文中提出的描述子算法的性能。

2.1 試驗過程

文中算法的驗證試驗基于點云庫(Point Cloud Library，PCL)[19]。首先采用CVlab實驗室的Bologna數(shù)據(jù)集[16]進行匹配試驗，驗證FPFHCOLOR描述子的特征提取和匹配性能；再對該數(shù)據(jù)集進行降采樣匹配，驗證FPFHCOLOR描述子在點密度變化場景中的性能；最后，運用實景點云數(shù)據(jù)集進行匹配試驗，測試FPFHCOLOR描述子在實景點云數(shù)據(jù)中的性能。試驗算法如圖5所示。

圖5 特征匹配試驗算法流程

在給定的模型點云和含有模型的遮擋與干擾的場景點云中，采用均勻采樣(Uniform Sampling，US)算法[20]對模型點云和場景點云提取關(guān)鍵點。運用各特征描述子算法對模型與場景關(guān)鍵點進行特征提取。特征提取完成后，計算每一個模型關(guān)鍵點的特征描述子與所有場景關(guān)鍵點描述子的距離。提取場景中的最近歐式距離Dh1和次近歐式距離Dh2的關(guān)鍵點描述子，并計算兩者的比值Dh1/Dh2；當(dāng)該比值小于預(yù)先設(shè)定的匹配閾值α?xí)r，認為該模型關(guān)鍵點描述子與該最近場景關(guān)鍵點描述子構(gòu)成匹配關(guān)系，否則認為無匹配關(guān)系[1,11,21]，最后通過遍歷算法完成匹配篩選，獲得符合條件的匹配點對集。

對匹配點對集的正確性進行驗證，通過模型與場景的真實空間變換關(guān)系對匹配點對集中的模型關(guān)鍵點進行轉(zhuǎn)換計算獲取其在真實場景中的對應(yīng)點，并計算真實場景對應(yīng)點與匹配場景對應(yīng)點的歐氏距離De，當(dāng)De小于預(yù)先設(shè)定的距離閾值β，即De<β時，則認為該匹配點對為正確匹配，否則視為錯誤匹配。

采用不同的匹配閾值α和距離閾值β會直接影響召回率與精度，其中匹配閾值α的設(shè)定值在0～0.8之間，距離閾值β由點云模型的大小或平均密度ρ確定，設(shè)定值為點云模型包圍盒最短邊距離l的十分之一(l/10)或十倍點云密度(10ρ)中的小者,即β=min(l/10,10ρ)，保證距離閾值相對于點云模型大小和密度處在合理的范圍內(nèi)。將α進行15等分后和β組合為15組閾值參數(shù)，通過調(diào)整匹配閾值α觀察其匹配精度和召回率的變化，保持β相對不變的目的是保證匹配驗證結(jié)果精度的一致性[15]。通過這15組閾值參數(shù)繪制各特征描述子的精度-召回率(P-R)曲線，分析各描述子的性能。

2.2 Bologna數(shù)據(jù)集匹配試驗

選用Bologna數(shù)據(jù)集中的Dataset 3和Dataset 4進行試驗驗證[16]，該數(shù)據(jù)集的點云都具有彩色紋理信息，場景點云中具有較多的遮擋干擾和姿態(tài)變換；且每個模型與場景之間都提供了真實的空間變換關(guān)系，便于試驗驗證。Dataset 3中包含8個模型ply文件，15個場景ply文件，如圖6(a)所示，主要由一些玩具(如馬里奧模型等)組成；Dataset 4中主要由一些圓柱形飲料罐子組成，共有8個模型ply文件以及16個場景ply文件，如圖6(b)所示。

圖6 Dataset 3和Dataset 4的模型場景示例

2.2.1 Dataset 3數(shù)據(jù)集匹配試驗

對Dataset 3數(shù)據(jù)集進行匹配試驗測試，統(tǒng)計各特征描述子在特征提取和特征匹配階段消耗的時間，結(jié)果如表1所示；并繪制各特征描述子的P-R曲線，如圖7(a)所示。 同時，為了更直觀地評估純紋理特征直方圖CFH單獨使用時的特征提取與匹配性能，選擇圖7(a)中性能最好的CIE00(Lab)特征描述子中的紋理特征直方圖作為CFH描述子展開對比試驗，繪制P-R曲線，如圖7(b)所示。其中P-R曲線中精度定義為正確匹配點對數(shù)量與所有匹配獲得的匹配點對數(shù)量的比值，召回率定義為匹配獲得的正確匹配點對數(shù)量與所有實際存在的正確匹配點對數(shù)量的比值。

觀察圖7(a)的P-R曲線可知，總體上無論采用何種紋理屬性度量，F(xiàn)PFHCOLOR描述子的特征匹配性能都比FPFH描述子有所提高，這也證明了文中提出的結(jié)合紋理信息的FPFH特征描述子可以提高特征提取和匹配能力，且其性能與PFHRGB、CSHOT描述子接近。研究還發(fā)現(xiàn)，L1范數(shù)描述子的表現(xiàn)都要比L2范數(shù)描述子好，體現(xiàn)了L1范數(shù)的稀疏特性及其特征選擇優(yōu)勢。對比采用CIE94色差和CIE00色差的特征描述子可發(fā)現(xiàn)，CIE00特征描述子的匹配表現(xiàn)要更加好一些，這也驗證了文獻[18]中改進的色差計算方法CIE00的優(yōu)越性。

圖7 Dataset 3匹配試驗的P-R曲線

由圖7(b)可見，CFH描述子單獨使用時，其召回率和精度較之于FPFH描述子要低一些，主要是由于CFH描述子的點對紋理屬性度量為單值標(biāo)量且維度較低，導(dǎo)致在點云紋理差異不大的情況下易發(fā)生誤匹配。但在CFH描述子與FPFH描述子組合成FPFHCOLOR描述子后，點對的紋理與形狀信息均已納入特征直方圖中，F(xiàn)PFHCOLOR描述子的特征提取效率與匹配性能在紋理點云匹配試驗中大幅提升。

不同描述子的計算時間如表1所示。分析表1可知，與PFHRGB及CSHOT描述子相比，F(xiàn)PFHCOLOR系列描述子在特征提取耗時上有著倍數(shù)上的優(yōu)勢；且由于FPFHCOLOR系列描述子的直方圖維數(shù)低，在特征匹配耗時上更有著數(shù)量級級別的優(yōu)勢。較之于FPFH描述子，因增加紋理描述功能后計算復(fù)雜度隨之增加，F(xiàn)PFHCOLOR系列描述子的特征提取時間和匹配時間都有所增加，其中CIE00(Lab)描述子的特征提取時間最長，約為FPFH描述子的兩倍，主要是由于紋理信息從RGB色彩空間轉(zhuǎn)換到CIELab色彩空間需要消耗一定時間，同時CIE00色差較之于L1(Lab)色差等的計算復(fù)雜度較高也需要消耗不少時間。

表1 不同描述子的計算時間

2.2.2 Dataset 4數(shù)據(jù)集匹配試驗

與Dataset 3數(shù)據(jù)集不同的是，Dataset 4數(shù)據(jù)集的模型都為圓柱形物體，場景中也大多為存在遮擋的圓柱形物體，形狀相似但表面紋理不同(如圖6所示)；這種情況下進行特征匹配試驗考驗特征描述子的紋理提取與區(qū)分能力。選擇上一步試驗中綜合表現(xiàn)較好的CIE00(Lab)作為FPFHCOLOR描述子，在Dataset 4數(shù)據(jù)集上與FPFH、CSHOT、PFHRGB描述子展開對比試驗，繪制P-R曲線如圖8。

圖8 Dataset 4匹配試驗的P-R曲線

觀察圖8中的P-R曲線可發(fā)現(xiàn)，F(xiàn)PFH描述子在這種情況下進行匹配試驗時性能較差，匹配精度大為下降，主要是因為FPFH描述子只對形狀信息進行特征提取，在環(huán)境中存在形狀相同但紋理不同的干擾時導(dǎo)致大量的誤匹配。選取結(jié)合了紋理信息的3種特征描述子與Dataset 3的匹配實驗結(jié)果對比發(fā)現(xiàn)，同等匹配精度水平下召回率下降大概5個百分點，同等召回率水平下匹配精度下降大概9個百分點，其主要原因是因為點云形狀類似增大了匹配難度，但整體趨勢上來看匹配精度與召回率表現(xiàn)良好，匹配能力沒有過大的波動。通過此試驗驗證了采用紋理信息后，F(xiàn)PFHCOLOR描述子可適用于形狀和紋理信息都需要考慮的點云場景。

2.3 點密度變化性能分析

在實際環(huán)境當(dāng)中采集的點云數(shù)據(jù)通常會伴有噪點和點密度變化的問題。為了驗證文中提出的FPFHCOLOR描述子在點云密度變化情況下的匹配性能，進行點密度變化試驗。

采用Dataset 3進行點密度變化試驗，保持模型點云密度不變，對場景點云進行1/2、1/4和1/8降采樣后進行特征匹配。選擇CIE00(Lab)作為FPFHCOLOR 描述子與FPFH，CSHOT，PFHRGB描述子展開對比試驗，其中各描述子進行特征提取的r-鄰域相同。繪制P-R曲線如圖9所示。

通過圖9可知，在對場景點云降采樣后，圖中的4種描述子的召回率及精度都存在下降的現(xiàn)象，且在1/4和1/8采樣中CSHOT描述子和PFHRGB描述子的P-R曲線從上凸變?yōu)橄掳?，匹配性能急劇下降；而FPFHCOLOR描述子的曲線只有小幅下降，其中主要原因是FPFHCOLOR描述子對點云形狀進行特征提取時，特征描述的空間拓撲半徑最大可達到預(yù)設(shè)半徑r的兩倍；同時在計算紋理特征直方圖時引入鄰域系數(shù)Δk，使計算所得的直方圖對點密度有一定的不變性，因此在點云密度變化時，F(xiàn)PFHCOLOR描述子綜合了FPFH描述子和紋理描述的優(yōu)點，更能夠維持其特征描述和匹配性能。

圖9 點密度變化匹配試驗的P-R曲線

2.4 實景數(shù)據(jù)集測試試驗

考慮到算法要能夠經(jīng)受實際情景的檢驗，根據(jù)實景數(shù)據(jù)集開展匹配試驗。本研究使用的實景數(shù)據(jù)集分為小實景數(shù)據(jù)集和大實景數(shù)據(jù)集，其中小實景數(shù)據(jù)集使用Realsense D435i深度相機采集實景數(shù)據(jù)并建立數(shù)據(jù)集，包含16個模型、10個無遮擋場景及20個有遮擋場景；由于Realsense D435i相機在距離較大時所采集的數(shù)據(jù)失真嚴重，因此大實景數(shù)據(jù)集采用普林斯頓大學(xué)視覺和機器人實驗室的SUN3D數(shù)據(jù)集[22]，該數(shù)據(jù)集中共有415個室內(nèi)場景的點云數(shù)據(jù)，文中挑選其中紋理組成比較豐富的30組室內(nèi)實景進行匹配試驗，部分模型和場景如圖10所示。

圖10 實景數(shù)據(jù)集示例

2.4.1 小實景數(shù)據(jù)集匹配試驗

為了更加接近點云匹配時的實際情況，在進行實景點云匹配試驗時采用SIFT3D[23]和ISS3D[24]兩種關(guān)鍵點檢測算法，這兩種算法具有良好的旋轉(zhuǎn)平移不變性和可重復(fù)性。SIFT3D在提取關(guān)鍵點時具有灰度相關(guān)性，可以檢測到點云紋理信息豐富的關(guān)鍵點；ISS3D算法不受點云紋理影響，提取的關(guān)鍵點能夠顯著表達表面特征，P-R曲線如圖11所示。

分析圖(11)中的P-R曲線可發(fā)現(xiàn)，各描述子的性能表現(xiàn)與Dateset 3匹配試驗中接近。由于SIFT3D算法檢測的關(guān)鍵點與點云灰度相關(guān)，且灰度變化區(qū)域關(guān)鍵點密集，對比圖11(a)和圖11(b)可發(fā)現(xiàn)，在同等精度情況下，采用SIFT3D算法時的整體召回率要比采用ISS3D算法高8個百分點左右；又因為ISS3D算法檢測的關(guān)鍵點可以很好地表征點云形狀且不聚集，在同等召回率情況下其整體精度比采用SIFT3D算法時高6個百分點左右。且可發(fā)現(xiàn)，無論采用SIFT3D算法還是ISS3D算法，其中表現(xiàn)最好的特征描述子都是FPFHCOLOR，原因是采集到的實景場景點云密度大概為實景模型點云密度的2/3，這同時也驗證了點密度變化匹配試驗的結(jié)論。

2.4.2 大實景匹配試驗

對大實景數(shù)據(jù)集中的30個場景模型使用旋轉(zhuǎn)和平移坐標(biāo)變換，獲得匹配試驗?zāi)繕?biāo)點云數(shù)據(jù)，并對源點云數(shù)據(jù)進行直通濾波和去除離群點，匹配方向是源點云向目標(biāo)點云進行坐標(biāo)變換。在本節(jié)的實景場景點云匹配試驗中，直接采用SUN3D數(shù)據(jù)集自帶的關(guān)鍵點進行各算法的特征提取，繪制P-R曲線如圖12所示。

圖12 大實景數(shù)據(jù)集匹配試驗的P-R曲線

分析圖12可發(fā)現(xiàn)，在大場景點云數(shù)據(jù)匹配試驗中，各算法的整體性能與小場景數(shù)據(jù)集匹配試驗大致相同。較之于小實景數(shù)據(jù)集匹配實驗結(jié)果，大場景中各算法的召回率均有所提高，這主要是因為數(shù)據(jù)集多為室內(nèi)場景，具有較多的平面組成部分，結(jié)合紋理信息后便于匹配。大場景數(shù)據(jù)集自帶的關(guān)鍵點與均勻采樣算法提取的關(guān)鍵點的分布類似，且源點云與目標(biāo)點云的點密度相同，因此圖12與圖7(a)的召回率-精度曲線走勢 相似?？傮w上，F(xiàn)PFHCOLOR描述子結(jié)合關(guān)鍵點檢測算法在實景點云匹配應(yīng)用中有著良好的描述和匹配性能。

3 結(jié)論

本研究提出了結(jié)合點云紋理信息的FPFHCOLOR特征描述子。首先在FPFH描述子的基礎(chǔ)上進行點云形狀特征描述，提取形狀特征直方圖；然后構(gòu)建紋理特征直方圖；最后連接獲得FPFHCOLOR特征描述子。

運用Bologna數(shù)據(jù)集和實景點云數(shù)據(jù)集進行試驗驗證，對采用不同色彩空間和不同點對紋理屬性度量的FPFHCOLOR特征描述子展開對比試驗。結(jié)果表明：采用CIELab色彩空間和CIE00色差作為點對紋理屬性度量的計算方式時FPFHCOLOR特征描述子具備最優(yōu)綜合性能，相較于FPFH描述子其特征描述匹配性能有較大提高，且其特征提取效率與匹配效率優(yōu)于CSHOT和PFHRGB描述子。

點云密度變化試驗表明，文中提出的FPFHCOLOR描述子在點密度變化時比CSHOT和PFHRGB描述子擁有更好的特征描述及匹配性能，對點密度變化具有較強的魯棒性。