网上一些PCL学习资料

英文官网资料
知乎汇总资料
黑马机器人点云教程
PCL常用小知识几何计算

01common
02kdtree k维tree
03octree 八叉树
04search
05sample consensus 抽样一致性模块
06range-images深度图像
07tracking （此模块，没有官方示例代码）
08 io 输入输出
09 filters 滤波
10 features 特征
11 surface表面
12 segmentation分割
13 recognition识别（下图中没有）
14 registration配准
15 visualization可视化
16 keypoints关键点

PCL根据官方分类的各模块整理

01-Common

。

02-KdTree

点云数据处理中最为核心的问题就是建立离散点间的拓扑关系，实现基于邻域关系的快速查找。

通过三维坐标的三个维度对坐标进行分类，并辅助快速查找。

kdtree官网中文翻译

算法的理论解释

PCL 中 KdTree 的使用心得

另一个使用心得：PCL中的KDTree

03-OcTree

将空间分成卦限，并对感兴趣的卦限进行细分，直到满足研究条件。所以也叫八叉树。

OCtree模块包含18个类，功能是：对点云进行压缩/分类/检索。

PCL中的八叉树理论

OcTree和KdTree各有优劣。

PCL学习八叉树

04-Search

木有这个模块的内容。之后再回来看。

05-Sample consensus

对点云进行模块采样，采样基于RANSAC原理进行“特征”提取。

PCL采样一致性

感觉也是没有完全理解，回头再来看看。

06-Range-images

由于某些点云是直接来自于深度相机产生的，利用这一信息，可以快速地得到点云的某些特征。
例如从点云中识别出物体的轮廓。

PCL深度图

07-Tracking

空白。

08-IO

输入输出。

09-Filter

主要包含两种功能：

1. 去除点云中的噪声点/离群点/孔洞；
2. 根据索引选取点云中的一部分（子集）。

10-Features

特征提取。目前来看它的原理与OpenCV的特征提取类似，都是通过提取特征算子来对一定邻域内的点进行特征分类。
还不清楚是使用怎样的准则来提取特征，回头还要回来看看。

11-Surface

1. 使用多边形对模型进行表面重建。
2. 对模型表面法线进行估计。

12-Segmentation

点云分割是根据空间，几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征。点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D内容的检索，组合重用等。

1. 欧几里得分割：把整体点云中的各个分块分割开，如果某一个集合和另一个集合之间有距离，那么就单独取出来作为一类。

13-Recognition

同一个物体在变换到了另一个地方之后，仍然可以通过它的点云特征识别出来这个物体。

14-Registration

模型配准：把在不同视角下不同相机采集到的点云合并成到一起，识别出哪些点是公共点。
这个模块同时也可以当作模板匹配来用。

15-Visualization

可视化模块，可以方便地提供一些法线等可视化选项。

16-KeyPoints

根据一些典型特征，在全局点云中提取出关键点。