register_fpfh — 3D `feature_register` op

• 数据种类:points × points → pose

• 调用: 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')(要直接调用实现,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');从台账取用则 ops3d.get("register_fpfh"))

• GPU:无(仅 CPU 参考实现)

用法

用 FPFH 描述子 + RANSAC 做 无需初值 的刚体配准 (R,t)。

稀疏特征匹配的 3D 版本，相当于 2D Harris/SIFT。两种云都由 FPFH 描述符表示，使用描述符空间中的最近邻创建对应关系（相互最近邻+按 Lowe 比率过滤），并使用 RANSAC 来解决对异常值稳健的刚体姿势。与紧密匹配（NCC/Hough）和PCA不同，大旋转（50-70°）其价值在于，即使+平移+部分重叠，也无需初始估计即可确定姿势。得到的(R,t)即为ICP的初始值（粗略初始化）收紧表面精度（ICP 约定 dst ≈ src @ R.T + t）。

管道：

1）体素下采样（独立采样2）将云附近的区域对齐到共同的分辨率。

（需要进行预处理，极大地影响FPFH的正确响应率）。

2) 正常估计（局部PCA）。如果您传递 src_normals/dst_normals，它将被使用。

3）FPFH描述符（SPFH→距离权重合成）。

4）描述符NN匹配（相互+比率）。

5）RANSAC：3点样本→边长匹配预过滤器→卡布希→全点适应度

（src 转换所有点，dst 表示最近邻落在阈值内的速率）。仅兼容（~100 分）

评分往往固定在不正确的姿势上，因此通过全点健身使其变得稳健。

6) 重新安装相应的内圈以获得最佳姿势。

论据：

src (N,3), dst (M,3)：要对齐的两个点组（numpy/torch）。

src_normals、dst_normals（（N，3）/（M，3）或无）：先前的法线。如果没有，内部估计

（但是，当 voxel_size>0 时，坐标会发生变化，因此总是会重新估计）。

voxel_size（浮点或无）：下采样边长。自动采用 DST 分辨率 x 2.5（无）。

使用 0 禁用（保留原始点云；不建议用于独立采样）。

Normal_k (int)：正常估计的邻居数量。

feature_k (int)：FPFH的邻居数量（数量越大，描述符越稳定和具有区分性。建议在60左右）。

n_bins (int)：每个特征的直方图箱数（描述符维度 = 3*n_bins）。

ransac_iters (int)：RANSAC 迭代次数。

inlier_thr（float 或 None）：内部距离阈值。无（下采样后）分辨率 x 3。

edge_sim (float)：三重边长比的容差（0<edge_sim<=1，越接近1越严格）。

mutual (bool)：相互最近邻过滤器。比率（浮动或无）：低比率。

种子（int）：RANSAC随机数种子（重新启动时更改）。 device (str)：返回张量的设备。

返回值：

R (3,3) torch.Tensor(在设备上), t(3,) torch.Tensor,

信息字典：{“n_corr”（对应数），“inliers”（内点数），“inlier_ratio”，

“适应度”（全点适应度=重启选择指数），“rmse”（内值RMSE），

“inlier_thr”，“src_corr”，“dst_corr”（相应索引）}。

注（诚实）：FPFH是粗配准，独立采样+噪声+部分重叠在困难条件下，仍会存在几度的旋转误差（实测：旋转62°，重叠~64%，噪声0.5×分辨率）RANSAC 后中值~4.4°，~90% <8°，剩余~10% 接近 8-9°。使用 ICP 拧紧时为 100% <8°，中值~0.5°）。当噪声变得等于或高于点间距（分辨率）时，法线和角特征变为

塌陷的描述符失去了判别力（实测：当噪声≥1.0×分辨率时成功率下降）。 RANSAC是随机选择因此，实际操作中，建议重启几次，取最大结果info[“fitness”]。

背景知识指南(该算子背后的物理与约定)

• blas_threads_and_memory — 矩阵分解为何慢 —— BLAS 线程、缓存、内存布局

参考(示例数据、文献)

• 示例数据目录(下载 URL / 许可证) —— 2-D 用 skimage.data(BSD/公有领域)加合成图,3-D 给出真实数据源(Stanford/PDS 等)的下载 URL。

• 算子来历与参考文献 —— 该算子族所依据的研究/方法出处。

可运行的示例(实际调用该算子并已验证的样例)

• feature_register — py -3.11 examples_3d/feature_register.py

类型可衔接的下一个算子(可接受 `pose` 作为输入)

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

同类别(`feature_register`)

harris3d_keypoints · iss_keypoints · compute_fpfh · shot_descriptor · register_spin · register_shot

*Provenance: feat_fpfh.py — 3D 算子登记表。本条目由 tools/opdocs.py md 自动生成(请勿手工编辑)。*

register_fpfh — 3D feature_register op

用法