kd-Tree

kd-Tree主要用于大规模高维数据密集的查找比对的使用场景中，主要是最近邻查找以及近似最近邻查找。

kd-Tree属于二叉查找树BST的一种，二叉查找树：

1. 若它的左子树不为空，则它的左子树节点上的值皆小于它的根节点
2. 若它的右子树不为空，则它的右子树节点上的值均大于它的根节点
3. 它的左右子树也分别是二叉查找树

构造BST：

1. 在现有的数据中选定一个数据作为根节点的存储数值。（尽可能保证左右子树的集合的数量相等，优化查找速度）
2. 将其他数据按照左小右大的规则往深层递归，直到叶节点，然后开辟新的叶节点，并存储当前值
3. 新的数据按照上一条进行储存。

kd-tree的构造是在BST的基础上升级：

1. 选定数据X1的Y1维数值a1作为根节点比对值，对所有的数值在Y1维进行一层BST排列。相当于根据Y1维数值a1对数据集进行分割。
2. 选定数据X2的Y2维数值a2作为根节点比对值，对所有的数值在Y2维进行一层BST排列，也即将数据集在Y2维上又做一层BST

Note:

1. 一般按照方差最大的维度有限进行划分;
2. 为了时左右子树的节点树数相差不大（加速检索速度），选择当前维度的中值作为根节点的比对数值

代码实现
https://blog.csdn.net/silangquan/article/details/41483689

$FLANN$

Fast Library for Approximate Nearest Neighbors，一系列查找算法，自动选取最快算法机制，KdTree是FLANN，分两步建立索引和搜索。
步骤：

1. 初始化

   pcl::KdTreeFLANN<DescriptorType> match_search;

2. 创建KdTreeFLANN对象，并把点云设置成输入，然后创建一个searchPoint变量（另一个点云）作为查询点

    kdtree.setInputCloud(cloud);   

3. 创建两个变量存储搜索到的K邻近，两个向量中，一个存储搜索到查询点近邻的索引，另一个存储对应近邻的平方距离。
4. 寻找输入和查询点对应最近邻的K个点（一般指描述子）

kdtree.nearestKSearch(searchPoint,K,pointIdxNKNSearch,pointNKNSquaredDistance)