如何使用PCL可视化点云中pcl::FPFHEstimation的结果？
How to visualize the result of pcl::FPFHEstimation in point cloud using PCL?
我正在使用 pcl::FPFHEstimation class 来检测这样的特征点：
pcl::FPFHEstimationOMP<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fest;
pcl::PointCloud<pcl::FPFHSignature33>::Ptr object_features(new pcl::PointCloud<pcl::FPFHSignature33>());
fest.setRadiusSearch(feature_radius);
fest.setInputCloud(source_cloud);
fest.setInputNormals(point_normal);
fest.compute(*object_features);
我的问题是如何可视化点云中检测到的特征点？比如检测到的红色特征点和白色非特征点。
我为此搜索了很多，但我只找到了一些显示直方图的方法，这不是我想要的。
Fast point feature histogram 是点描述符（在 pcl 中以 pcl::FPFHSignature33 的形式出现）。这意味着该算法计算输入点云中所有点的直方图。计算出点的描述符后，您就可以 class 化、分割...这些点。但是 class 化或分割点的过程将是另一种算法。
在 this 论文中，我使用 FPFH 粗略对齐点云。在那里，我使用 FPFH 描述符来决定云 A 中的哪个点对应于云 B 中的哪个点（关联点）。在本出版物中，我所做的是计算 FPFH 之前所有点的曲率，然后，我只计算曲率高于给定阈值的点子集的 FPFH。这就是我提取关键点的方式。然后，我将这些关键点的 FPFH 用于其余的事情（在我的例子中，关联来自不同点云的点）。
您在其中一条评论中提出的类比："So the feature descriptor computed by FPFH is more like a multi-dimentional eigenvector or something " 是一个很好的类比。
所以，回答你的问题：不，除了直方图之外没有其他工具可以可视化 FPFH 数据（或者至少不是现成的 pcl class你可以使用）。
我正在使用 pcl::FPFHEstimation class 来检测这样的特征点：
pcl::FPFHEstimationOMP<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fest;
pcl::PointCloud<pcl::FPFHSignature33>::Ptr object_features(new pcl::PointCloud<pcl::FPFHSignature33>());
fest.setRadiusSearch(feature_radius);
fest.setInputCloud(source_cloud);
fest.setInputNormals(point_normal);
fest.compute(*object_features);
我的问题是如何可视化点云中检测到的特征点？比如检测到的红色特征点和白色非特征点。
我为此搜索了很多，但我只找到了一些显示直方图的方法，这不是我想要的。
Fast point feature histogram 是点描述符（在 pcl 中以 pcl::FPFHSignature33 的形式出现）。这意味着该算法计算输入点云中所有点的直方图。计算出点的描述符后，您就可以 class 化、分割...这些点。但是 class 化或分割点的过程将是另一种算法。
在 this 论文中，我使用 FPFH 粗略对齐点云。在那里，我使用 FPFH 描述符来决定云 A 中的哪个点对应于云 B 中的哪个点（关联点）。在本出版物中，我所做的是计算 FPFH 之前所有点的曲率，然后，我只计算曲率高于给定阈值的点子集的 FPFH。这就是我提取关键点的方式。然后，我将这些关键点的 FPFH 用于其余的事情（在我的例子中，关联来自不同点云的点）。
您在其中一条评论中提出的类比："So the feature descriptor computed by FPFH is more like a multi-dimentional eigenvector or something " 是一个很好的类比。
所以，回答你的问题：不，除了直方图之外没有其他工具可以可视化 FPFH 数据（或者至少不是现成的 pcl class你可以使用）。