register_fpfh — 3D `feature_register` op

• 資料種類:points × points → pose

• 呼叫: import fullseye as fs; fs.ledger.register_fpfh(src, dst, src_normals=None, dst_normals=None, voxel_size=None, normal_k=16, feature_k=60, n_bins=11, ransac_iters=8000, inlier_thr=None, edge_sim=0.9, mutual=True, ratio=0.95, seed=0, device='cpu')(要直接呼叫實作,import feat_fpfh; feat_fpfh.register_fpfh(src, dst, src_normals=None, dst_normals=None, voxel_size=None, normal_k=16, feature_k=60, n_bins=11, ransac_iters=8000, inlier_thr=None, edge_sim=0.9, mutual=True, ratio=0.95, seed=0, device='cpu');從台帳取用則 ops3d.get("register_fpfh"))

• GPU:無(僅 CPU 參考實作)

用法

用 FPFH 描述子 + RANSAC 做 無需初值 的剛體配準 (R,t)。

稀疏特徵匹配的 3D 版本，相當於 2D Harris/SIFT。兩種雲都由 FPFH 描述符表示，使用描述符空間中的最近鄰建立對應關係（相互最近鄰+按 Lowe 比率過濾），並使用 RANSAC 來解決對異常值穩健的剛體姿勢。與緊密匹配（NCC/Hough）和PCA不同，大旋轉（50-70°）其價值在於，即使+平移+部分重疊，也無需初始估計即可確定姿勢。得到的(R,t)即為ICP的初始值（粗略初始化）收緊表面精度（ICP 約定 dst ≈ src @ R.T + t）。

管道：

1）體素下採樣（獨立採樣2）將雲附近的區域對齊到共同的分辨率。

（需要進行預處理，極大地影響FPFH的正確回應率）。

2) 正常估計（局部PCA）。如果您傳遞 src_normals/dst_normals，它將被使用。

3）FPFH描述子（SPFH→距離權重合成）。

4）描述子NN匹配（相互+比率）。

5）RANSAC：3點樣本→邊長匹配預過濾器→卡片布希→全點適應度

（src 轉換所有點，dst 表示最近鄰落在閾值內的速率）。僅相容（~100 分）

評分往往固定在不正確的姿勢上，因此透過全點健身使其變得穩健。

6) 重新安裝對應的內圈以獲得最佳姿勢。

論點：

src (N,3), dst (M,3)：要對齊的兩個點組（numpy/torch）。

src_normals、dst_normals（（N，3）/（M，3）或無）：先前的法線。如果沒有，內部估計

（但是，當 voxel_size>0 時，座標會發生變化，因此總是會重新估計）。

voxel_size（浮點或無）：下採樣邊長。自動採用 DST 解析度 x 2.5（無）。

使用 0 停用（保留原始點雲；不建議用於獨立採樣）。

Normal_k (int)：正常估計的鄰居數量。

feature_k (int)：FPFH的鄰居數量（數量越大，描述子越穩定且具有區分性。建議在60左右）。

n_bins (int)：每個特徵的直方圖箱數（描述子維度 = 3*n_bins）。

ransac_iters (int)：RANSAC 迭代次數。

inlier_thr（float 或 None）：內部距離閾值。無（下採樣後）分辨率 x 3。

edge_sim (float)：三重邊長比的容許差（0<edge_sim<=1，越接近1越嚴格）。

mutual (bool)：彼此最近鄰過濾器。比率（浮動或無）：低比率。

種子（int）：RANSAC隨機數種子（重新啟動時更改）。 device (str)：傳回張量的裝置。

傳回值：

R (3,3) torch.Tensor(在設備上), t(3,) torch.Tensor,

資訊字典：{“n_corr”（對應數），“inliers”（內點數），“inlier_ratio”，

「適應度」（全點適應度=重啟選擇指數），「rmse」（內值RMSE），

“inlier_thr”，“src_corr”，“dst_corr”（對應索引）}。

註（誠實）：FPFH是粗配準，獨立取樣+雜訊+部分重疊在困難條件下，仍會存在幾度的旋轉誤差（實測：旋轉62°，重疊~64%，雜訊0.5×解析度）RANSAC 後中位數~4.4°，~90% <8°，剩餘~10% 接近 8-9°。使用 ICP 擰緊時為 100% <8°，中位數~0.5°）。當雜訊變得等於或高於點間距（解析度）時，法線和角特徵變為

塌陷的描述子失去了判別力（實測：當噪音≥1.0×解析度時成功率下降）。 RANSAC是隨機選擇因此，在實際操作中，建議重啟幾次，取最大結果info[“fitness”]。

背景知識指南(該運算子背後的物理與規範)

• blas_threads_and_memory — 矩陣分解為何慢 —— BLAS 執行緒、快取、記憶體配置

參考(範例資料、文獻)

• 範例資料目錄(下載 URL / 授權) —— 2-D 用 skimage.data(BSD/公有領域)加合成圖,3-D 給出真實資料源(Stanford/PDS 等)的下載 URL。

• 運算子來歷與參考文獻 —— 該運算子族所依據的研究/方法出處。

可執行的範例(實際呼叫該運算子並已驗證的樣例)

• feature_register — py -3.11 examples_3d/feature_register.py

型別可銜接的下一個運算子(可接受 `pose` 作為輸入)

fuse_to_voxel · pose_error · bundle_adjust · mean_reprojection_error · optimize_pose_graph · relative_pose · mean_edge_error · rotation_translation_error

同類別(`feature_register`)

harris3d_keypoints · iss_keypoints · compute_fpfh · shot_descriptor · register_spin · register_shot

*Provenance: feat_fpfh.py — 3D 運算子登記表。本條目由 tools/opdocs.py md 自動產生(請勿手動編輯)。*

register_fpfh — 3D feature_register op

用法