一、點雲特徵的基本要求
http://www.pointclouds.org/documentation/tutorials/
二、點雲特徵的分類
https://blog.csdn.net/shaozhenghan/article/details/81346585
三、點雲的基本特徵描述
- 二維情況
- 三維情況
四、PCA(Princile Components Analysis)主成分分析
- 使用的核心算法是矩陣的特徵值分解。
- 基於矩陣特徵值或者SVD分解求:
- 法向量方向
- 對應(等效)橢球體的最短軸方向
- 對應點雲座標的協方差矩陣的最小特徵值對應的特徵向量
- 數據集在某個基上的投影值(也是在這個基上的座標值)越分散,方差越大,這個基保留的信息也就越多
- 信息量保存能力最大的基向量一定是的協方差矩陣的特徵向量,並且這個特徵向量保存的信息量就是它對應的特徵值.
4.1 點雲的PCA步驟
- 找到點xi周圍半徑R範圍內的所有點X,計算均值:
xˉ=n1i=1∑Nxi
- 計算樣本方差:
S2=n−11i=1∑n(xi−xˉ)2
- 計算樣本協方差:
Cov(X,X)=E[(X−E(X))T(X−E(X))]=n−11∑i=1n(xi−xˉ)T(xi−xˉ))
-
計算協方差矩陣:
n1(X−xˉ)T(X−xˉ)
-
特徵分解:
V⎝⎛λ1λ2λ3⎠⎞VT
λ1≥λ2≥λ3≥0
打賞
碼字不易,如果對您有幫助,就打賞一下吧O(∩_∩)O
支付寶
微信