feature_register oppoints × points → poseimport 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') (実装を直接呼ぶなら 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')、台帳から引くなら ops3d.get("register_fpfh"))FPFH 記述子 + RANSAC で 初期推定なし の剛体位置合わせ (R,t) を推定する。
2D の Harris/SIFT に相当する疎 feature マッチの 3D 版。両雲を FPFH 記述子で表し、 記述子空間の最近傍で対応を張り(相互最近傍 + Lowe ratio でフィルタ)、RANSAC で 外れ値に頑健な剛体姿勢を解く。密マッチ(NCC/Hough)や PCA と違い、大回転(50-70°) +並進+部分重なりでも初期推定なしに姿勢を出せるのが価値。得た (R,t) は ICP の初期値 (coarse init)として渡すと表面精度まで締められる(dst ≈ src @ R.T + t の ICP 慣習)。
パイプライン: 1) voxel ダウンサンプル(独立サンプリング 2 雲の近傍を共通解像度へ揃える。 FPFH の対応正答率を大きく左右する必須前処理)。 2) 法線推定(局所 PCA)。src_normals/dst_normals を渡せばそれを使う。 3) FPFH 記述子(SPFH→距離重み合成)。 4) 記述子 NN マッチ(mutual + ratio)。 5) RANSAC: 3 点サンプル → edge-length 整合プレフィルタ → Kabsch → 全点フィットネス (src 全点を変換し dst 最近傍が閾値内に入る割合)で採点。対応(~100点)だけの 採点は誤姿勢に固着しやすいため、全点フィットネスで頑健化する。 6) 最良姿勢の対応インライアで再フィット。
引数: src (N,3), dst (M,3): 位置合わせする 2 点群(numpy/torch)。 src_normals, dst_normals ((N,3)/(M,3) or None): 事前法線。None なら内部推定 (ただし voxel_size>0 のときは座標が変わるため常に再推定)。 voxel_size (float or None): ダウンサンプル辺長。None で dst 解像度×2.5 を自動採用。 0/None で無効化(生点群のまま。独立サンプリングでは非推奨)。 normal_k (int): 法線推定の近傍数。 feature_k (int): FPFH の近傍数(大きいほど記述子が安定・識別的。60 前後を推奨)。 n_bins (int): 1 特徴あたりのヒストグラムビン数(記述子次元 = 3*n_bins)。 ransac_iters (int): RANSAC 反復数。 inlier_thr (float or None): インライア距離閾値。None で(ダウンサンプル後)解像度×3。 edge_sim (float): 三つ組の辺長比の許容(0<edge_sim<=1、1 に近いほど厳格)。 mutual (bool): 相互最近傍フィルタ。ratio (float or None): Lowe ratio。 seed (int): RANSAC 乱数種(restart 時に変える)。device (str): 返り値テンソルの device。
返り値: R (3,3) torch.Tensor(device 上), t (3,) torch.Tensor, info dict: {“n_corr”(対応数), “inliers”(インライア数), “inlier_ratio”, “fitness”(全点フィットネス=restart 選択の指標), “rmse”(インライア RMSE), “inlier_thr”, “src_corr”,”dst_corr”(対応 index)}。
注意(honest): FPFH は coarse registration であり、独立サンプリング+ノイズ+部分重なり の難条件では回転誤差が数度残る(実測: 62°回転・重なり~64%・ノイズ0.5×解像度で RANSAC 後 中央値 ~4.4°、~90% が <8°、残り ~10% は 8-9° の境界。ICP で締めると 100% が <8°・中央値 ~0.5°)。ノイズが点間隔(解像度)並み以上になると法線・角特徴が 崩れ記述子が識別力を失う(実測: ノイズ≥1.0×解像度で成功率が低下)。RANSAC は乱択 なので実運用では数回 restart し info[“fitness”] 最大の結果を採るとよい。
py -3.11 examples_3d/feature_register.pypose を入力に取れる)fuse_to_voxel · pose_error · bundle_adjust · mean_reprojection_error · optimize_pose_graph · relative_pose · mean_edge_error · rotation_translation_error
feature_register)harris3d_keypoints · iss_keypoints · compute_fpfh · shot_descriptor · register_spin · register_shot
Provenance: feat_fpfh.py — 3D operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.