使用Flann库实现KDtree半径查找时的参数SearchParams（）参数设置记录

int neighbors_in_radius= kdtree.radiusSearch(seed_queue_points,radiusPointsIndex, radiusDists, radius2,SearchParams(-1,0.1, false))

本博客主要说明SearchParams的参数设置，试过SearchParams（128），同一个点云数据用时和使用PCL中的KDTREE时间基本一致。

补充影响速度较大的因素主要时排序
经过查看PCL和flann源码发现这个地方可设置三个参数，
三个参数，
第一个我使用默认参数，
第二个参数是判断精度，flann的默认参数是0 ，若不选择即为0，第三个参数是，找出的数据是否排序，默认未true，因为我使用的点云单位为mm，只有整数，故此处精度我选择0.1，SearchParams(-1,0.1, false)这样设置后，耗时少了一半
第三个true和false是选择输出搜索到的点是否排序，false不排序，时间直接大幅降低，
因为我使用此函数做欧氏距离聚类所用，所以我无需输出排序后的点，但搜索次数较多，因此我选择false为了缩短搜索时间，若搜索次数较少，且要求排序，则设为true即可。一般是距离从小到大排列，第一个值一般为搜索的数据本身。
第四个需要注意的是，设置半径时，flann::Index< L2 > 此处选择的时距离的平方，因此传入的半径应为半径平方，最开始调试时，未平方，导致找到的点已知对不上，
记录此博客，方便后续自己学习，希望高手能够详细讲解此flann库的用法，需要各种参数的设置和作用介绍，谢谢

实现该函数的调用如下：

#include "flann/flann.h"
struct MyEuclideanPoint
{
	float x;
	float y;
	float z;	
};
  std::vector<MyEuclideanPoint> data;
  for (size_t j = 0; j < inPointCloud.size(); j++)
  {
	  MyEuclideanPoint p;
	  p.x = inPointCloud[j].x;
	  p.y = inPointCloud[j].y;
	  p.z = inPointCloud[j].z;
	  data.push_back(p);
  }
	flann::Matrix<float> data_mat = flann::Matrix<float>(&data[0].x, data.size(), 3);
	//低维度数据参数：flann::KDTreeSingleIndexParams(15)
	flann::Index< L2<float> > kdtree(data_mat, flann::KDTreeSingleIndexParams(15));//此处的15，我再PCL使用KDTREE时，看到上面选择的15如下图
	kdtree.buildIndex();
		flann::Matrix<float> seed_queue_points(&data[seed_queue[sq_idx]].x,1,3);
			int neighbors_in_radius=  kdtree.radiusSearch(seed_queue_points,radiusPointsIndex, radiusDists, radius2,SearchParams(-1,0.1, false));//主要说明的即为此函数