先说总结

总体思路是：针对输入来的点云，对每一个scan进行edge特征点的提取，因为提取的特征点因为噪声等原因导致特征点不鲁棒，所以又对特征点通过聚类的方法进行了特征增强，对增加后的特征投影到平面上，分别对每个投影后的特征点进行求解描述符，描述符里面不单单有180个距离还有180个方向，至此，作者认为得到了鲁棒的特征，用这些特征进行配准、求解机器人的姿态。

总体来讲，论文有创新，在特征点描述符这里借鉴了视觉的相关概念，能达到实时处理（10Hz数据采集），同时，该方法仍然是主流框架范围内对SLAM进行研究。目前该算法暂未开源。

文章连接如下：

[2206.05927] LinK3D: Linear Keypoints Representation for 3D LiDAR Point Cloud (arxiv.org)

摘要

特征提取和匹配是许多计算机视觉任务的基本部分，例如二维或三维物体检测、识别和配准。众所周知，二维特征提取和匹配已经取得了很大的成功。遗憾的是，在3D领域，由于描述能力差和效率低，目前的方法无法支持3D激光雷达传感器在视觉任务中的广泛应用。为了解决这一局限性，我们提出了一种新的3D特征表示方法：用于3D LiDAR点云的线性关键点表示，称为LinK3D。LinK3D的新颖之处在于它充分考虑了LiDAR点云的特点（如场景的稀疏性、复杂性），并用其健壮的相邻关键点来表示当前关键点，这对当前关键点的描述提供了强大的约束。提出的LinK3D已在两个公共数据集（即KITTI和Steven VLP16）上进行了评估，实验结果表明，我们的方法在匹配性能方面大大优于现有技术。更重要的是，LinK3D显示了出色的实时性能（基于LiDAR的10 Hz频率）。LinK3D从64射线激光束采集的点云中提取特征平均只需32毫秒，在配备Intel Core i7@2.2 GHz处理器的笔记本电脑中执行时，匹配两次LiDAR扫描只需约8毫秒。此外，我们的方法可以广泛扩展到各种三维视觉应用。在本文中，我们将LinK3D应用于3D注册、LiDAR里程计和地点识别任务，并与最先进的方法相比取得了具有竞争力的结果。
关键词：三维激光雷达点云，特征提取、匹配、高效，可扩展到三维视觉任务。

图1. 描述了LinK3D的核心思想和匹配结果。图1展示了基于LinK3D两次激光雷达扫描的匹配结果，其中绿线表示有效的匹配项。当前关键点的描述符用其相邻的关键点表示，描述符的每个维度对应一个扇区（180个扇区对应180个维度）。第一个维度对应当前关键点最接近的关键点所在的扇区，其他维度对应逆时针排列的区域。如果扇区中有关键点，则搜索扇区中最接近的。

提出的方法

我们方法的流程图主要由两部分组成：特征提取（即关键点提取和描述符生成，如图 2 所示）和特征匹配。如图 2 所示，首先提取LiDAR扫描的边缘点，然后将其输入边缘关键点聚合算法，在该算法中提取稳健的聚合关键点，以便随后生成描述符。然后，描述符生成算法首先建立距离表和方向表，用于快速描述符生成。我们将在以下三个小节中分别详细介绍所提出方法的每个部分。

图2. 展示了LinK3D在关键点提取和描述方面的工作流程。首先，输入的点云被关键点提取算法处理。然后，执行LinK3D描述以获得高效的关键点描述符。

A. 关键点提取

1) edge边缘点提取：在关键点提取中，我们使用类似于2D图像关键点的策略，即角点或边缘点。在这里，我们还提取了代表性的边缘点作为三维激光雷达扫描的关键点。激光雷达扫描大致可分为两种类型：边缘点和平面点。边缘点和平面点之间的主要区别在于点所在的局部曲面的平滑度。

$\nabla_i=\frac{1}{|S|}\left\|\sum_{j \in P_s, j \neq i}\left(\vec{p}_j-\vec{p}_i\right)\right\|^2$

图3. (a) 中的分散边缘点（用红色虚线框标记）和聚集边缘关键点（用蓝色虚线框标识）。聚集边缘关键点就是我们所需要的。(b)显示了通过算法1提取的边缘关键点。

2） edge关键点聚类：然而，在收集边缘点的过程中，通常有许多点高于阈值但不稳定。具体来说，这些不稳定点出现在当前扫描中，但可能不会出现在下次扫描中。如图 3a 中红色虚线框所示，不稳定点通常是分散的。如果我们利用这些点进行匹配，很可能会导致不匹配。因此，有必要过滤掉这些点并找到正的有效边关键点。如图 3a 中的蓝色虚线框所示，有效的边缘关键点通常垂直分布在簇中。

具体做法是，我们首先将以LiDAR坐标系原点为中心的水平面平均划分为 $N_{\text {sect }}$ 扇区，然后只对每个扇区中的点进行聚类。应该注意的是，当我们在实验中设置 $N_{\text {sect }}=120$ 时，我们的算法运行速度大约是经典KMeans的25倍[47]。提取的边缘关键点如图 3b 所示。可以观察到，我们的算法可以过滤掉无效的边缘点，并找到正的有效边缘关键点。此外，计算每个簇点的质心并将其命名为聚合关键点，该关键点可以表示其簇并用于后续的描述符生成。

B. 描述符生成

图4展示了以当前关键点ko为中心的水平平面被划分为180个扇形区域。我们首先搜索k0的最近关键点k1，然后主方向是从k0到k1的向量。此外，第一个扇形区域由主方向对半分。其他区域按逆时针顺序排列。当前关键点（Current Keypoint，CK）是指正在处理的LiDAR扫描中的一个关键点。即每个关键点都有对应的描述符。100个关键点有100个描述符。

在描述符生成中，首先将所有聚集关键点投影到水平面，这样可以消除聚集边缘关键点沿垂直方向分布不均匀所带来的影响。为了快速匹配，我们的LinK3D表示为多维向量，它使用0或当前关键点与其相邻关键点之间的距离作为每个维度。如图 4 所示，我们将水平面划分为以当前关键点 k0 为中心的180个扇区，描述符的每个维度对应一个扇区。受二维描述符SIFT[10]的启发，该描述符搜索主方向以确保姿势不变性，LinK3D的主方向也被搜索并表示为从当前关键点 k0 到其最近关键点 k1 的方向矢量，该关键点位于第一扇区。其他扇区按逆时针顺序排列。然后，在每个扇区中搜索最近的关键点 k0 。如果存在最近的关键点，则使用当前关键点和最近关键点之间的距离作为描述符的相应值，否则，该值设置为0。

在此过程中，从当前点到其他点 $k_i(i \neq 1)$ 的方向表示为 $\vec{m}_{0 i}$ ，我们使用 $\vec{m}_{0 i}$ 和主方向 $\vec{m}_{0 1}$ 之间的角度来确定 $k_i$ 属于哪个扇区。该角度的计算公式为：

$\theta_i= \begin{cases}\arccos \frac{\vec{m}_{01} \cdot \vec{m}_{0 i}}{\left|\vec{m}_{01}\right|\left|\vec{m}_{0 i}\right|} & \text { if } D_i>0 \\ 2 \pi-\arccos \frac{\vec{m}_{01}}{\left|\vec{m}_{01}\right|\left|\vec{m}_{0 i}\right|} & \text { if } D_i<0\end{cases}$

其中 $D_i$ 定义为：

$D_i=\left|\begin{array}{ll}x_1 & y_1 \\ x_i & y_i\end{array}\right|$

上述算法有两个主要问题。一个问题是算法对最近的关键点敏感。如果存在异常关键点的干扰，匹配将失败。另一个问题是，我们必须经常计算两点之间的相对距离和方向，因此会有大量重复计算。为了解决第一个问题，我们搜索一定数量的最近关键点（具体数量在实验部分评估）。假设我们搜索3个最接近的关键点，并计算出相应的3个关键点描述符，如图 5 所示。Des1对应于最接近的键点，Des3对应于第三个最近的键点。我们根据这三个距离值定义优先级。Des1的优先级最高，因为它距离最近，Des3的优先级最低，因为它距离最远。最终描述符中每个维度的值对应于其中优先级最高的非零值。如图 5 中红色虚线框所示，Des1有一个非零值 $D_0^1$ ，那么由于它的高优先级，它在最终描述符中的对应值也被设置为 $D_0^1$ 。其他两种情况如图 5 中的紫色和黑色虚线框所示。它大大提高了LinK3D对异常值的鲁棒性。为了解决第二个问题，我们建立了距离表，所有关键点的方向表都可以通过直接参考表来获得，以避免重复计算。

图5 最终描述符中每个维度的值对应于Des1、Des2和Des3中具有最高优先级的非零值。

C. 匹配两个描述符

在本节中，我们将介绍匹配算法。为了快速测量两个描述符的相似性，我们采用类似于汉明距离的计算方法来定义两个LinK3D描述符的相似分数。它们都计算相应的尺寸。然而，与汉明的异或运算不同，我们只计算了两个描述符的非零维数。具体来说，在两个描述符中计算相应非零维度之间的差值的绝对值。如果该值低于0.2，则相似性分数增加1。如果匹配的相似性分数高于阈值，则认为匹配有效。具体匹配算法见算法 3。