主要提取的点云特征：
一、主曲率
点在平面的移动速度，陡峭程度；
计算方式：
Step1：pj(px, py, pz)点的法向量nj(nx, ny, nz)投影到法向量ni(nix, niy, niz)和点pi(pix, piy, piz)构成的切平面，pj是pi的领域点：
切平面表示：nix (x-pix) + niy (y-piy) + niz (z-piz)=0;
各点法向量投影表示：
其中，I是3×3的单位矩阵；
注:向量 $\vec{n_i} \bigotimes \vec{n_i}$表示两法向量直积，但是个人认为这里应该是发现了的列向量直积列向量转置，否则无法得到3×3的单位矩阵，最后得到矩阵a应该是:
a = \left[
\matrix{
1-nix·nix & nix·niy & nix·niz \
niy·nix & 1-niy·niy & niy·niz \
niz·nix & niz·niy & 1-niz·niz \
}
\right]
\matrix{
(1-nix·nix)·nx+nix·niy·ny+nix·niz·nz,\
niy·nix·nx+(1-niy·niy)·ny+niy·niz·nz,\
niz·nix·nz+niz·niy·ny+(1-niz·niz)·nz, \
}
$$
然后计算协方差的特征向量得到三个λ，则通过大小排序可得到最大与最小曲率以及曲率方向
二、半径表面特征
得到设定半径内，领域点与计算点的法线夹角与亮点距离，这两个统一作为一个特征；
三、PFH点特征直方图
加快的还有FPFH
四、SHOT 方向直方图特征
Signature of histogram of orientations
构造方法：以查询点p为中心构造半径为r 的球形区域，沿径向、方位、俯仰3个方向划分网格，其中径向2次，方位8次（为简便图中径向只划分了4个），俯仰2次划分网格，将球形区域划分成32个空间区域。在每个空间区域计算计算落入该区域点的法线nv和中心点p法线np之间的夹角余弦cosθ=nv·np，再根据计算的余弦值对落入每一个空间区域的点数进行直方图统计，对计算结果进行归一化，使得对点云密度具有鲁棒性，得到一个352维特征。（原论文：Unique Signatures of Histograms for Local Surface）
五、Spin image旋转图像
https://blog.csdn.net/renyuanxingxing/article/details/83279328
三维点云深度学习分类
PointNet&PointNet++
PointNet的问题
PointNet对每个点表征，未考虑点邻域信息，局部信息描述不足；maxpooling最后提取的是全局特征，损失较多信息；分割网络是将点特征与全局特征拼接，描述能力有限。
PointNet++中用到了FPS最远点降采样，相比随机降采样的优势：尽肯能广泛考虑覆盖空间中的所有点（包括噪声）
Point++中的Group layer寻找领域点是在坐标空间进行，采用的是KNN或者query ball point,并没有考虑特征空间的相似性。
Query ball更加适合于应用在局部/细节识别的应用上，比如局部分割。
PointNet++和PointNet的区别在于:
类比CNN，pointnet可以看做一个卷积层，因为他通过max pooling后考虑的是整个点集的全局特征。若果这个点集是全体点集的一部分，那么可以发现PointNet与CNN的卷积核类似。而PN++则是在此基础上考虑了局部的信息，并对分层局部特征进行了整合。
其中，在Point Layer层，主要分为了三个步骤
1)point feature embedding
2)pooling in local regions
3)further processing
其中，步骤1是进行特征维度调整，将多维特征（x,y,z,nx,ny,nz, 其中n为法向量)等通过1×1的卷积核进行线性组合实现升维或者降维，从而达到嵌套的目的；步骤2是以某点P为中心,将邻域点的特征信息进行整合来描述该点P的局部特征，这里用的是pooling（可以是，max，mean等）。继续做1×1的卷积，这个步骤论文没有用，实际上也没有必要，因为这个时候的数据就是最远点采样后的点及特征，继续将这些采用点整合的话，又变成一个全局性的，尺度在此变大。当然考虑到多个尺度的可以卷积，但是1×1的卷积如果不非线性变化的话没有太大的意义。
点云深度学习借用的先验知识有限；