1. 特征点是什么？
1.1 图像特征点
ORB slam
1.2 点云特征点
点云配准 ：ICP初始平移旋转矩阵需要足够好的重合率
2. 如何提取特征
2.1 图像提取特征
2.1.1 Harris
一个好的特征会随着内部的运动而变化
U,V越小越灵敏 特征点是x、y方向都有较大的倒数
NMS操作过滤特性
核心思想:小方块移动后，里面Intensity转换以选择特征点。成为求方块中的协方差矩阵M，每个方向的一步倒。
2.2点云特征点
2.2.1 3DHarris
2.2.2PCA
有许多三个方向点是特征点
传统方法对噪声非常敏感，不能使用
2.3 提取深度学习特征
2.3.1 USIP
无监督学习：1、特征点跟点云旋转无关 2.特征点与尺度有关 限制感知域
上一列信心度高，下一列是所有特征点
3. 描述特征点
3.1 基于直方图
3.1.1 Histogram based
只关心点的距离，不关心点的分布
3.1.2 Signature based
旋转同一件事时，描述子会改变
3.1.3 PFH
每个点与周围点之间的连接
建立坐标系
2、计算特征
表达特征点周围点的变化
3.建立每个特征参数的直方图
3.1.4 SPFH
只考虑特征点与周围点之间的连接，制作三个直方图
3.2 基于坐标系
3.2.1 SHOT
- 建立坐标系LRF
2. 将特征点周围的空间分成32块
3. 计算每个小空间的直方图，长度为11
存在硬切割问题，噪声不稳定，因此提出软切割。投票不是直接加分，不是黑就是白，而是线性插值的概率。
- 总结
3.3 深度学习描述
3.3.1 3DMatch
卷积三维网格点云，三维网格以特征点为基础
从不同的角度找到同一个地方，以避免不同的角度