从PCL库看三维点云依赖的相关知识

       第一次使用PCL库还是2017年，当时为了提取火线（火场包络线：凹包），因为凸包虽然很简单，但是不符合实际火场分布的情况，于是查询到了PCL可以实现，于是熬了几个夜，走马观花的安装、测试最终参考代码实现了想要的功能，但是PCL真的是连一知半解也算不上，像是“弱水三千，只取了一瓢”，很想深入了解一下，但是没有机会，项目工作内容繁杂，根本没时间停下来，放慢脚步仔细欣赏一下别人的工作成果，体会一下数学和几何的美妙；2017年底，感慨，2018年需要沉淀一年。

       2018年6月终于完成了大兴安岭的第一次扑火任务实战，积累和很多也收获很多，然而啊然而！我的研发任务也就停了，在没有需求进来了，也没有深度优化的需求了，甚至移植到固定翼应用的需求也没有一点点，好吧，也许是时候沉淀沉淀了；就此步入3D的世界，本想做SBA,没想到SBA涉及的内容如此之多之深，数据结构（树、KD树）、非线性优化、矩阵运算、线性代数、微积分、概率论全来了，懵了好久... ...

       开始接任务，做影像与点云的配准，学会了LasLib,利用其进行点云投影（Key:坐标系的获取）的相关研究,后来又做了更深入的技术调研，通过比较典型数据的详细测试，得出通过2D图像获取配准信息的技术路线，不可行！最终的收获是，发现利用人工和ArcGIS配准效果很好，至少有了可靠的方法解决这个配准的问题；

         后来，又迷上了SBA里面的内容，想做拼图，后来被否了，因为太难了，退而求其次，继续调研点云配准的相关内容，看看能不能曲线救国，通过拼图产生的稀疏点云与LiDar点云配准，获得配准信息，同时研究Pix4D软件产生的中间数据结果是否有用，深入了解拼图内容，为将来自主实现图像拼接做技术储备和预研。

        之前调研过程中，发现过点云之间的配准，有个ICP算法，于是找度娘，发现PCL库又现成的ICP功能和Demo，那么拿来瞅瞅吧，但是突然发现用例数据是完全相同的数据，那就需要再深入一点，发现ICP过程中不像图像配准那样直接找配准点的，而是通过“最近点”进行迭代的，那么技术路线还有点可行的希望，那就不墨迹了，直接实现Demo，找点数据测试一下吧... ...

        于是，又要配置工程，突然发现PCL依赖了好多的库啊，貌似很有意思啊:

1. VTK : Visualization Toolkit：开源库，实现3D渲染、显示、交互等；科学数据的显示和渲染；

https://www.vtk.org/

2. Eigen : "Eigen is a C++ template library for linear algebra: matrices, vectors, numerical solvers, and related algorithms."是一个线性代数的库，定义矩阵将数据结构，做矩阵运算等，G2O就用了Eigen的数据类型。(http://eigen.tuxfamily.org/index.php?title=Main_Page)

3. OpenNI 2: OpenNI中文译为开放自然语言交互，用官方的表述来讲就是a standard framework for 3D sensing，用于3D感知的开发接口；

4. boost : Boost 库通过加入一些在实践中非常有用的函数对 C++ 标准进行了补充。 Boost C++ 库是基于且扩展了 C++ 标准，所以你应该懂得 C++ 标准。   https://www.boost.org/ 

5. Qhull:  Qhull computes the convex hull, Delaunay triangulation, Voronoi diagram, halfspace intersection about a point, furthest-site Delaunay triangulation, and furthest-site Voronoi diagram. 、http://www.qhull.org/

• 计算凸包
• 狄洛尼三角剖分
• Voronoi图（泰森多边形）
• 半空间交点+furthest-site Delaunay triangulation+furthest-site Voronoi diagram

6. FLANN: FLANN库全称是Fast Library for Approximate Nearest Neighbors，它是目前最完整的（近似）最近邻开源库。不但实现了一系列查找算法，还包含了一种自动选取最快算法的机制,在一个度量空间X给定一组点P=p1,p2,…,pn，这些点必须通过以下方式进行预处理，给第一个新的查询点q属于X，快速在P中找到距离q最近的点，即最近邻搜索问题。最近邻搜索的问题是在很多应用领域是一个重大问题，如图像识别、数据压缩、模式识别和分类.在高维空间中解决这个问题似乎是一个非常难以执行任务，没有算法明显优于标准的蛮力搜索。因此越来越多的人把兴趣点转向执行近似最近邻搜索的一类算法，这些方法在很多实际应用和大多数案例中被证明是足够好的近似，比精确搜索算法快很大的数量级。

介绍：https://www.cnblogs.com/li-yao7758258/p/6736379.html

7.