结合全局框架点与局部SHOT特征的复合3D描述子构建方法

摘要

本发明公开了一种结合全局框架点与局部SHOT特征的复合3D描述子构建方法，包括：根据曲率将点云分割成稳定面和框架点集，将框架点集作为全局特征的支持域；在稳定面上选取特征点，以特征点为球心在设定的支持半径内建立球形支持域，并在支持域内建立局部参考坐标系；选取局部SHOT描述子描述局部子特征；根据局部参考坐标系，将框架点分到八个卦限中；根据框架点所属卦限，把各框架点到特征点的欧氏距离整合成全局子特征；把局部子特征和全局子特征串连在一起，形成复合3D描述子。通过实验证明了本发明Frame‑SHOT描述子具有高描述性和鲁棒性。

说明书

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种结合全局框架点与局部SHOT特征的复合3D描述子构建方法。

背景技术

在许多机器人学和计算机视觉的应用中，物体识别已然成为了一个关键课题。这些应用包括场景理解，机器人导航，虚拟现实和目标追踪等。对于场景分析问题，仅仅使用2D信息是不够的。因此，3D数据的应用变得越来越流行。和二维的物体识别问题相似，如何设计一种有效的特征描述子成为了识别过程中最关键的一步。其中，具有足够的描述性和鲁棒性的特征描述子对于特征点的匹配是至关重要的。一种好的点云3D描述子应该能够抵抗点分辨率的变化、噪声、孔洞、遮挡和复杂场景。

根据特征点支持域的不同，现存的描述子通常被分为全局描述子和局部描述子两类。全局描述子是对整个物体点云的一种描述，在物体无遮挡的场景中被广泛应用，例如3D物体检索。在物体识别的过程中，大的支持域使得全局描述子具有更强的描述性和更紧凑的特征向量。然而，这也使得它们更易受遮挡的影响。相反，局部描述子描述的是特征点邻域内的支持域。由于对遮挡有着较强的鲁棒性，因此，局部描述子在点云配准、识别和重建中被广泛应用。然而，局部描述子对邻域内点的改变十分敏感。另外，在人造物体中，常出现对称和局部相似的现象。因此，一个小的支持域会使得局部描述子的描述性下降，并且在特征点匹配阶段会出现错误匹配的现象。为了解决上述问题，复合3D描述子被提出，例如Clustered Viewpoint Feature Histogram(CVFH)[5]和Local-to-Global SignatureDescriptor(LGS)。这些描述子结合了全局和局部因素，即保留了高的描述性又延续了高的鲁棒性。CVFH使用了半全局的稳定面来表征3D物体，而不是使用全部点云。然而，这种方法没有真正的利用局部特性。对于LGS描述子来说，点云非自适应的和模糊的分割使得它具有局限性。因此，我们寻求一种合适的可以表征全局的特征来弥补局部描述子所含的问题。

发明内容

本发明的目的就是为了解决上述问题，提供了一种结合全局框架点与局部SHOT特征的复合3D描述子构建方法，该复合3D描述子具有极高的描述性和鲁棒性。

为实现上述目的，本发明采用下述技术方案：

本发明公开了一种结合全局框架点与局部SHOT特征的复合3D描述子构建方法，包括：

根据曲率将点云分割成稳定面和框架点集，将框架点集作为全局特征的支持域；

在稳定面上选取特征点，以特征点为球心在设定的支持半径内建立球形支持域，并在支持域内建立局部参考坐标系；

选取局部SHOT描述子描述局部子特征；

根据局部参考坐标系，将框架点分到八个卦限中；根据框架点所属卦限，把各框架点到特征点的欧氏距离整合成全局子特征；

把局部子特征和全局子特征串连在一起，形成复合3D描述子。

进一步地，所述根据曲率将点云分割成稳定面和框架点集具体为：

设定曲率阈值，将点云中曲率大于设定的曲率阈值的点作为框架点集，剩余点组成稳定面。

进一步地，在支持域内建立局部参考坐标系具体为：

通过对支持域内点协方差矩阵的特征值分解获得局部参考坐标系各轴的初始方向；

局部参考坐标系的z轴和x轴的方向根据支持域内沿各轴的正负半球内的点数量而确定；点数量多的半球方向为正方向，y轴根据z×x获得。

进一步地，选取局部SHOT描述子描述局部子特征具体为：

沿着径向、方位轴和俯仰轴，将一个虚拟球形网格的特征域分割成多个部分；

对于每个部分内包含的所有物体表面点，根据其法向量和特征点z轴的夹角统计成直方图；

把每个部分的直方图串连起来组成特征向量，为局部子特征。

进一步地，根据框架点所属卦限，把各框架点到特征点的欧氏距离整合成全局子特征具体为：

计算每个卦限内所有框架点到特征点的欧氏距离，并把欧氏距离最大和最小的框架点之间的间距均分成N个区间；

对于上述N个区间的相邻区间使用三线性内插，即在方位角，俯仰角和相邻区间三个维度上进行框架点的内插；

把每一个区间内点的所有的权重值累加，然后串连起来获得一个直方图；

把八个卦限得到的直方图串连得到最终的特征向量，为全局子特征。

进一步地，内插的权值为1-d，其中d表示各自维度上框架点到其所属卦限和区间的中间位置的距离。

本发明有益效果：

本发明方法拥有高曲率的点被视为结构框架点，且用来表征全局信息。同时，局部特征用现存的SHOT描述子来表征。进行了一系列实验，包括描述子匹配，物体识别和点云配准，并分析了实验结果。通过实验我们证明了Frame-SHOT描述子具有高描述性和鲁棒性。

附图说明

图1为Frame-SHOT描述子的构造流程图；

图2为将框架点分到八个卦限中示意图；

图3(a)-(d)分别为不同参数下Frame-SHOT描述子的RPC曲线；

图4(a)-(h)分别为不同情形下的RPC曲线；

图5为物体识别算法的流程图；

图6(a)为没有相似几何物体聚类情形下不同高斯噪声下的识别率曲线；

图6(b)为有相似几何物体聚类情形下不同高斯噪声下的识别率曲线；

图7为投票数为前5,10,15,20,25和30的候选模型中，正确类别出现的次数；

图8(a)-(c)分别为Mario模型多视角2.5D点云的配准结果。

具体实施方式：

下面结合附图对本发明作进一步说明。

本发明提出了一种具有高描述性和鲁棒性的3D描述子，Frame-SHOT描述子。首先，我们提取物体的全局框架点，并把各个点到特征点的欧氏距离整合成全局子特征。然后，使用Signature of Histogram of Orientation(SHOT)描述子来描述局部子特征。最终，把局部和全局子特征串连在一起组成Frame-SHOT描述子。我们在三个数据集上测试了新提出的描述子，并对比了现有的全局、局部和复合描述子。实验结果显示，在特征点匹配和物体识别方面，我们提出的描述子具有更高的描述性和鲁棒性。不像传统的全局描述子，我们只使用框架点来表征全局特征。为了克服遮挡同时体现描述性，全局子特征同样使用基于特征和基于直方图的构造方法。

1.现存的描述子可以被分为局部描述子、全局描述子和复合描述子。

局部3D描述子

现有技术提出了Spin Image(SI)描述子。SI描述子通过围绕一个参考轴(RA)旋转一个矩形框，并把过程中捕获的点统计成直方图。现有技术提出了一种3D Shape Context(3DSC)特征。该特征统计围绕一个RA的虚拟包围球中的所有点，并累加各点的权重构造描述子。这种方法容易理解，但是鲁棒性不够强。现有技术提出了Point Feature Histogram(PFH)描述子，用来统计k近邻支持域内各个点之间的法向量夹角变量。为了增加鲁棒性，FPH描述子在特征点处建立了局部参考坐标系(Local Reference Frame，LRF)。为了减小计算复杂度，之后又提出了Fast Point Feature Histogram(FPFH)描述子。现有技术为了在复杂场景中识别3D物体提出了SHOT描述子。此描述子通过统计球形网格支持域内各点的夹角信息来描述局部特征。之后，纹理信息也被加进SHOT描述子中。尽管SHOT描述子因为高鲁棒性而被广泛应用，但是它仍然难以分辨具有局部相似性的特征点。

全局3D描述子

现有技术通过扩展FPFH描述子提出了一种新的Global Fast Point FeatureHistogram(GFPFH)描述子。这种方法需要把点先分为不同的几何基元，然后统计这些小的面元之间的连接情况并建立最终的描述子。这种方法比较复杂，因为它需要用到分类器。为了简化上述方法，又提出Global Radius-based(Global RSD)描述子。此方法通过使用曲率信息代替FPFH特征给点分类。现有技术提出了Viewpoint Feature Histogram(VFH)描述子。此特征包含了邻域内三种法相量间的角度信息，并通过增加视角信息简化了对物体姿态的估算。

复合描述子

受到VFH的启发，现有技术创建了Clustered Viewpoint Feature Histogram(CVFH)描述子。该算法首先把点云分割成多个稳定面，然后对于每个稳定面建立一个VFH描述子组成物体的CVFH特征。这种半全局的特征使得它可以在某种程度上抵抗遮挡和复杂场景的影响。

2.本发明提出的Frame-SHOT描述子

人造物体中常存在对称和局部相似性，这会导致局部描述子的描述性变差以及特征点的错误匹配。众所周知，局部描述子更具鲁棒性，而全局描述子更具描述性。此外，鲁棒的局部参考坐标系也是提升描述子性能的关键因素。因此，我们通过结合全局特征、局部特征和局部参考坐标系提出了一种新型的描述子。2.1算法概述

图1展示了Frame-SHOT描述子的整体流程。首先，我们根据曲率把点云分割成稳定面和框架点集。然后，我们在稳定面上选取特征点，并在各自支持域内建立鲁棒的局部参考坐标系。对于局部的子特征，我们选取SHOT描述子。同时，根据框架点所属卦限，把各框架点到特征点的欧氏距离整合成全局子特征。最终，把局部和全局子特征串连在一起，组成Frame-SHOT特征向量。为了减少边界影响，我们使用了三相性内插来处理描述子。

2.2点云分割

全局特征都是在整个点云上提取的，因此，对于遮挡的鲁棒性较差。为了解决上述问题，我们从点云P中提取结构框架点集F用来描述全局特征，其余点云组成稳定面S。具体方法如下：

上式中，c_i表示点p_i的曲率，t是曲率阈值。点的曲率是通过点云库PCL计算而来。

稳定面上的特征点更加平滑，并且它们的曲率包含更少的噪声。这些特性可以帮助我们建立一个更加鲁棒的局部参考坐标系。因此，我们在稳定面上选取特征点。

2.3局部子特征

选择SHOT描述子当做局部特征。其中，通过对支持域内点协方差矩阵的特征值分解得到局部参考坐标系。然后，z轴和x轴的方向根据支持域内沿各轴的正负半球内的点数量而确定。点数量多的半球方向为正方向。最终y轴根据z×x获得。

以特征点为中心的球形支持域沿着径向、方位轴和俯仰轴三个方向被分割成多个部分。本实施例中，支持域被分为32个部分，其中，2个径向分割，8个方位角分割和2个俯仰角分割。对于每个部分内所包含的点，根据他的法向量和特征点z轴的夹角统计成直方图。最终，把每个部分的直方图串连起来组成特征向量。

2.4全局子特征

高曲率框架点可以很好的表征全局信息并以此区分不同物体。通常，结构框架点包括物体的3D边缘、拐角、折痕和凸处。这些特殊点组合在一起可以表示一个物体的空间尺度和姿态。而且，框架结构相比于大的连续的面而言，受遮挡的影响较小。不像是稳定面，框架点的法向量受噪声影响大，所以我们选取欧氏距离表征这些框架点的特征信息。

为了可以构建一个高性能的全局子特征，我们同样结合了基于特征和基于直方图的构建方法。具体步骤如下：

(1)根据在局部子特征中获得的参考坐标系，我们把所有框架点分到八个卦限中，图2为将框架点分到八个卦限中示意图。

(2)计算每个卦限内所有框架点到特征点的欧氏距离，并把欧氏距离最大和最小的框架点之间的间距均分成N个区间；

对于每个框架点我们都在相邻卦限和相邻区间上使用三线性内插方法。对于上述N个区间的相邻区间使用三线性内插，即在方位角，俯仰角和相邻区间三个维度上进行框架点的内插。

(3)内插权值为1-d。其中，对于相邻卦限d表示各自维度上框架点到其所属卦限和区间的中间位置的距离(框架点到其所属卦限中位面的角距离)并使用90°去标准化此权值。对于相邻区间同样使用此内插法，而d代表框架点到此区间中间位置的欧式距离。

(4)把上述得到的每一个区间内的点所有的权重值累加，然后串连所有的区间获得一个直方图。并把八个卦限得到的直方图串连得到最终的特征向量。

(5)将全局描述子标准化，使得特征向量的模值为1。

3.描述子匹配实验

本发明在一个公共数据集上做了两个实验。第一个实验是为了选择合适的描述子参数，第二个实验室为了展示Frame-SHOT描述子在特征点匹配中所体现出来的描述性和鲁棒性。

3.1数据集与评价标准

使用Bologna数据集用于实验，此数据集包含45个合成场景和6个模型(“Armadillo”,“Asia Dragon”,“Bunny”,“Dragon”,“Happy Buddha”,和“Thai Statue”)。这些场景是由任意个数的模型通过随机旋转而组成的，模型之间没有交叉碰撞。同时，该数据集还给出了场景与对应模型之间的变换矩阵。

试验中，使用Recall 1-Precision Curves(RPC)来测试描述子的性能。RPC曲线是一种被广泛使用的局部描述子的测评方法。根据变换矩阵，在每个场景中以及对应的模型中各提取1000个特征点。使用kd-trees方法测量特征描述子间的距离。如果场景中的描述子与各模型中描述子之间特征距离最近的和第二近的特征距离比值小于某一阈值，那么这一对点被视为一个匹配对。把此阈值从0逐渐调至1，从而获得整个RPC曲线。在所有匹配对中，如果点的索引合乎之前旋转矩阵的设定，那么认为此匹配对是一个正确匹配，否则认为是错误匹配。Recall和1-Precision的定义如下：

3.2实验1-描述子参数的选取

对于Frame-SHOT描述子中的局部特征部分，使用SHOT中的默认参数，包括32个支持域分区，10个区间以及15倍点分辨率(mesh resolution，mr)的支持半径。全局特征部分有两个重要的参数：(1)分割区间N和(2)曲率阈值t。在Bologna数据集上测试了不同参数下此描述子的性能。

3.2.1分割区间

分割区间数N和描述子的描述性与鲁棒性有密切的关系。一个合适数值N可以在全局特征细节信息量与对噪声的鲁棒性之间找到一种平衡，从而使得描述子即含有足够的信息量又可以具备较好的鲁棒性。试验中，另一个参数t设为1.5C(C表示点云的平均曲率)。图3(a)-(b)展示了实验结果，其中图3(b)是图3(a)中实验结果曲线最后一段的放大版。

实验结果图显示，本发明提出的新的Frame-SHOT描述子随着N从2升到10性能逐渐提高，但是提升非常小。这是因为，在俯仰角，方位角和直方图区间三个维度上使用了线性内插。三线性内插中的权重计算减小了被错误分配的点对描述子稳定性的影响。考虑到特征信息量和特征的描述性，在后续试验中将N设为10。

3.2.2曲率阈值

曲率阈值t对于全局框架点的提取至关重要。一个小的阈值可以提供更多的结构细节，但是会增加框架点数从而增加了计算复杂度。对于具有不同平滑程度的物体而言，一个固定的曲率阈值是不合适的。因此，在实验中把阈值设为点云平均曲率的倍数。在Bologna数据集上测试了不同阈值参数设置，实验结果如图3(c)-(d)所示。其中，图3(d)是图3(c)中实验曲线最后一段的放大版。

结果显示，随着曲率阈值的增加，描述子的性能逐渐下降。另外，一个小的阈值会获得更多的框架点。因此，为了保证高描述性和低计算复杂度，把t设为1.5。

3.3实验2-描述子匹配

在Bologna数据集上测试了Frame-SHOT描述子在高斯噪声、分辨率改变以及这两者结合的情况下的描述性和鲁棒性。实验中，将提出的描述子与SHOT，、Spin Image、FPFH进行对比，参与对比的描述子利用PCL实现。所有描述子的参数设置如表1。在每个模型中提取1000个特征点，并根据变换矩阵找到场景中对应的特征点。最终，利用RPC曲线展示了各描述子在下列情况下的性能。

表1描述子参数设置

3.3.1高斯噪声

分别给场景点云添加了0.2、0.3、0.4和0.5mr的高斯噪声。图4(a)-(d)展示了不同噪声下的实验RPC曲线。可以看出，Frame-SHOT描述子对高斯噪声的鲁棒性更强，特别是在高噪声时(图4(d))。这是因为，在Frame-SHOT描述子的全局子特征中，使用了欧氏距离而不是法向量。欧氏距离特征要比法向量特征的鲁棒性更强。

3.3.2点分辨率的改变

对不加噪声的场景点云进行下采样，分别降至其原始点密度的1/2,1/4和1/8。图4(e)-(g)展示了不同点分辨率下的RPC曲线。从实验结果中可以看到，本发明提出的Frame-SHOT描述子对点分辨率变化有着更强的鲁棒性，特别是在下采样程度较高的情况下(图4(g))。这是因为此描述子的全局和局部部分都采用了恰当的标准化算法，这使得描述子可以更好地抵抗支持域内点数量的变化的干扰。最后，将点云下采样至原始点密度的1/2并加了0.5mr标准差的高斯噪声来测试这两种情况同时发生时描述子的性能。图4(h)展示了此实验结果的RPC曲线。从图中可以明显看出Frame-SHOT描述子的性能要优于SHOT，FPFH和Spin Image。

4.3D物体识别实验

在两个公共数据集上分别对比了Frame-SHOT描述子和现存的全局，局部以及复合描述子在3D物体识别上的性能。试验中使用分别取自不同视角的2.5D点云数据来进行测试。大多数现存的3D物体识别算法包括四个主要步骤：特征描述，描述子匹配，最近点迭代(ICP)优化和假设验证。

4.1数据集和评价标准

实验中使用Challenge数据集。该数据集包括35个物体和39个不同的场景。其中，每个场景都有多个不同视角图共组成176个RGB-D数据。此外，每个物体模型都提供了37个采自不同视角的2.5D原始点云以及配准后的完整的3D模型。实验前，先把所有原始点云中的2.5D物体模型提取出来。

此数据集中的所有模型都是用Microsoft Kinect深度相机获取的室内常见物体的点云。这些物体含有大量特征稀少的表面，几何相似度较高并且相比于人工合成的数据，表面更加平滑。因此，描述子匹配的难度更大。在物体识别试验中，使用识别率来测试各描述子的性能。

4.2 Challenge数据集上的识别实验

本实验中，使用Challenge数据集，分别在添加不同程度的高斯噪声以及添加高斯噪声同时改变分辨率的情况下测试各描述子的物体识别性能。此数据集中有很多几何相似度很高的物体。而且，在本发明算法中，只考虑了物体的几何信息。所以，几何相似度很高的物体会被聚为一类。试验中，分别在考虑相似物体聚类和不考虑相似物体聚类的情况下的识别率。

聚类的主要步骤如下：

(1)使用ICP算法将目标模型T和源模型M配准在一起。

(2)以T中的点为查询点，在M上搜索半径为5mm的邻域，计算在邻域内有临近点的查询点的个数，并记为内点数。然后计算内点数和T中总点数的比值。然后调换T和M，从而得到一对比值。

(3)如果这一对比值都大于0.7，那么T和M被认为在几何上足够相似，且无法仅用几何信息将其区分开。

(4)对于每一个目标模型，数据集中的其他物体依次当做源模型。

利用PCL库将本发明提出的Frame-SHOT描述子和SHOT,Spin Image以及FPFH描述子进行对比。所有的参数设置见表1。

4.2.1识别算法概述

此实验中的识别算法总流程图见图5。由于本发明提出的是一种复合型描述子，所以也用了一种复合型识别算法。此算法结合了传统的全局和局部3D物体识别方法。

首先，分割原始点云，将目标物体分割出来。其次，从各个角度的目标物体点云中提取特征点并构建相应的描述子组成描述子库。之后，从场景点云中同样分割出物体并构建描述子且与库中描述子进行配准。特征距离最近的特征点视为一对，并向其所属类别投票。最后，ICP算法被用来优化投票结果，且通过假设验证法得到最终的识别结果。

4.2.2点云分割

点云分割在3D技术中本身就是一个关键问题。试验中，使用一个较为常用的方法从原始场景中提取出目标物。主要步骤如下：

(1)通过对支持域内点的距离分布统计分析去除离群点。

(2)使用直通滤波器去除距离原点0.9m以外的点。

(3)使用随机采样一致算法(Random Sample Consensus，RANSAC)提取出剩余点云的主平面，即背景桌面。

(4)使用欧氏聚类算法将剩余点云分割开，其中距离阈值参数设为5mm，即每个物体内点间最大距离视为5mm。然后在分离开的各个点云中依次提取出目标物。

4.2.3描述子库

使用上述分割方法把每个物体的37个多视角场景中的2.5D物体点云提取出来。这些提取出的点云被视为训练集，并用于构造描述子库。根据分辨率约束和边界约束，在每个2.5D物体点云中提取1000个特征点。分辨率约束是为了避免所选的特征点之间距离太近，导致不同特征点的描述子过于相似。两个特征点之间的最小距离设为3mr。另外，边界约束是为了使所提取的特征点和点云边界有一定距离，试验中把此距离参数设为4mr。最后，为每个特征点构建一个相应的描述子组成描述子库。

4.2.4描述子匹配

在含有多个物体的场景中，每个物体的2.5D点云依照上述分割方法被提取出来。这些2.5D的具有不同程度遮挡的点云被当做测试集。根据分辨率约束和边界约束，在每个物体中提取W个特征点。试验中W的默认值设为1000。然而，如果因为上述两个约束限制了可提取的特征点数，尤其是当点云密度缩小时，那么就尽可能多的提取点数且把W设为实际提取的点数。试验中W的最小值设为500。在各种噪声和下采样的情形下，用欧氏距离把每个特征点的描述子与库中所有描述子进行匹配。描述子库中距离最近的特征点与查询点组成点对，并为所属类别投票。根据投票数把候选模型按顺序从大到小排列。

4.2.5 ICP配准与假设验证

根据候选模型的顺序依次用ICP算法把3D模型与测试的2.5D点云进行配准。在此识别试验中，所有获得投票的候选模型都和测试点云进行配准，从而优化假设。以2.5D测试点云中的点作为查询点，在候选3D模型点云中以5mm为半径进行搜索，如果有临近点出现，则此查询点视为内点。从而可以得到内点数和总的测试点云点数的比值。如果试验中测试点云没有被下采样，用体素滤波算法降低点云密度以减小计算复杂度，这一操作不会改变上述内点比值。最后，根据每个模型的内点比值，从新给候选模型排序以优化假设。

4.2.6实验结果分析

呈现三个不同的实验。

(1)添加高斯噪声：我们分别给场景点云添加0.1,0.2,0.3,0.4和0.5mr标准差的高斯噪声。图6(a)-(b)展示了上述不同情形之下的识别率曲线。图6(a)所示的是没有相似几何物体聚类下的描述子性能。在此情况下，每个模型代表一个类别，即使有很高的几何相似性的两个物体也不视为一类。相反，图6(b)所示的是在相似物体聚类的情况下的性能。此情况下，具有很高几何相似性的物体被视为一类。显而易见，在第二种情况下的识别率更高。此物体识别试验中，无论模型获得多少投票都使用ICP算法进行优化，这可以弥补描述子匹配的缺陷，例如在处理具有对称性和局部相似性的人造物体时出现错误匹配等。因此，不同描述子的性能曲线相差不大。然而，我们仍能看出Frame-SHOT描述子在添加0.1,0.2和0.4mr高斯噪声时表现最好。

(2)添加高斯噪声和下采样：对场景点云进行下采样，使点密度降为原始密度的1/2，并添加0.5mr标准差的高斯噪声。实验结果如表2所示。可以看到，无论是在相似物体聚类情况下还是不在，Frame-SHOT描述子都要比SHOT,Spin Image和FPFH描述子的性能优越。这体现出，本发明提出的描述子对点分辨率的改变更具有鲁棒性。这个结论和在描述子匹配试验中的结论一致。

表2添加0.5mr高斯噪声和1/2下采样时的识别率

识别率Frame-SHOTSHOTFPFHSpin image几何相似物体不聚类0.75320.74030.68830.7013几何相似物体聚类0.85710.84420.79220.8182

(3)根据得票数，分别统计了在前5,10,15,20,25和30个候选模型中正确类别的出现次数。试验中，场景点云添加了0.5mr的高斯噪声并下采样至1/2。为了测试描述性，不使用ICP算法进行优化。实验结果如图7所示。可以清楚地看到，使用本发明提出的Frame-SHOT描述子，只看前5个候选模型时，就出现了60个正确的投票类别。这表明本发明提出的描述子具有很好的描述性以及对高斯噪声和点分辨率变化的鲁棒性。这是因为本发明结合了局部和全局的特征，并且都各自进行了恰当的标准化处理。

5.点云配准实验

3D物体重建是一个实用价值很强的应用，也是虚拟现实中的关键问题。大多数情况下，3D点云模型无法直接获得。因此，3D获取设备常用来获取一系列2.5D不同视角下的点云，然后配准在一起完成3D建模。精准的配准是实现好的重建的重要步骤。在此实验中，使用Kinect数据集中模型的2.5D点云来测试Frame-SHOT描述子在点云配准中的性能表现。对每个模型来说，选择15个连续的视角进行配准。图8(a)展示了一个模型的所有原始视角点云。配准的主要步骤如下：

(1)我们对每个2.5D视角点云都使用了统计外点移除滤波。之后，各提取2000个特征点并为每个特征点构建对应的描述子。

(2)利用上述提到的带有比率的KNN算法建立点对。另外，如果点之间的欧氏距离大于某阈值也要被移除。试验中，比值设为0.8，距离阈值设为0.1m。

(3)利用筛选后的点对和ICP算法，将相邻两个视角点云配准。之后，移动最小平方算法(Moving Least Squares，MLS)被用来平滑数据。

(4)根据在ICP中获得的全局转换矩阵，配准后的数据最终配准到全局中。图8(b)-(c)展示了配准后的结果。

这个实验展现了在点云配准中，本发明提出的Frame-SHOT描述子的高效性和实用性。图中的全局配准结果在不加其他优化算法的情况下，已经可以较为全面的恢复原模型的3D纹理和结构。这是好的3D重建的重要前提。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。