pcl 自定义descriptor维度且利用KdTreeFLANN实现最近搜索

一、在point_type.hpp中添加自定义的特征

	struct MySignature20
	{
		float histogram[20];
		static int descriptorSize() { return 20; }

		friend std::ostream& operator << (std::ostream& os, const MySignature20& p);
	};

二、在point_representation.h中添加如下代码，以使pcl中的FLANN能够识别自定义的descriptor

	template <>
	class DefaultPointRepresentation <MySignature20> : public PointRepresentation <MySignature20>
	{
	public:
		DefaultPointRepresentation()
		{
			nr_dimensions_ = 20;
			trivial_ = false;
		}

		virtual void
			copyToFloatArray(const MySignature20& p, float* out) const
		{
			for (int i = 0; i < nr_dimensions_; ++i)
				out[i] = p.histogram[i];
		}
	};

三、正确KdTreeFLANN类寻找最邻近描述符

（1）为了包含模块化算法

方法一：

    解决方案：属性》预处理器》添加：PCL_NO_PRECOMPILE

方法二：源码中添加

#define PCL_NO_PRECOMPILE

（2）应用示例

	//PHFH
	pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
	fpfh.setInputCloud(cloud);
	fpfh.setInputNormals(cloud_normals);
	pcl::search::KdTree<PointXYZ>::Ptr tree1(new pcl::search::KdTree<pcl::PointXYZ>);
	fpfh.setSearchMethod(tree1);
	fpfh.setRadiusSearch(0.6);
	pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfhs(new pcl::PointCloud<pcl::FPFHSignature33>());
	fpfh.compute(*fpfhs);

	pcl::PointCloud<pcl::MySignature20>::Ptr myfpfh(new pcl::PointCloud<pcl::MySignature20>());
	pcl::MySignature20 pi;

	for (size_t i = 0; i < fpfhs->size(); i++)
	{
		for (size_t j = 0; j < 20; j++)
		{
			pi.histogram[j] = fpfhs->points[i].histogram[j];
		}
		myfpfh->push_back(pi);
	}

	pcl::KdTreeFLANN<pcl::MySignature20> kd_tree;
	kd_tree.setInputCloud(myfpfh);

	pi = myfpfh->points[100];

	int k = 10;
	std::vector<int> pt_idx_search(k);
	std::vector<float> pt_sqr_dis(k);
	kd_tree.nearestKSearch(pi, k, pt_idx_search, pt_sqr_dis);