点云及PCL编程基础

上周点云公众号开启了学习模式，由博主分配任务，半个月甚至一个月参与学习小伙伴的反馈给群主，并在微信交流群中进行学术交流，加强大家的阅读文献能力，并提高公众号的分享效果。在此期待更多的同学能参与进来！

点云基础

点云定义

定义：通过测量仪器（激光，三维相机）得到的产品外观表面的点数据集合也称之为点云。

通常使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大，叫稀疏点云；而使用三维激光扫描仪或照相式扫描仪得到的点云，点数量比较大并且比较密集，叫密集点云或者叫稠密点云。

对点云理解

点云是在和目标物体表面特性的海量点集合。根据激光测量原理得到的点云，包括三维坐标（XYZ）和激光反射强度（Intensity）。

当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成激光点云。

根据摄影测量原理得到的点云，包括三维坐标（XYZ）和颜色信息（RGB）。结合激光测量和摄影测量原理得到点云，包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。

在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”(Point Cloud)。点云的格式：; *.pts; *.asc ; *.dat; *.stl ; *.imw；*.xyz，PCD;

在PCL点云库中经常使用的点云的格式有pcd,ply,xyz, 这里先介绍一些基本内容，后面的章节将会以程序实例展示以及解释api代码功能。

点云的特性

点云是某个坐标系下的点的数据集。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，

（1）非结构化数据（无网格）：点云是分布在空间中的XYZ点。

（3）点云数量上的变化：在图像中，像素的数量是一个给定的常数，取决于相机。 然而，点云的数量可能会有很大的变化，这取决于各种传感器。

（3）不变性排列：点云本质上是一长串点（nx3矩阵，其中n是点数）。 在几何上，点的顺序不影响它在底层矩阵结构中的表示方式，例如， 相同的点云可以由两个完全不同的矩阵表示。 如下图所示：

PCL基础

PCL库简介

PCL起初是ROS（Robot Operating System）下由来自于慕尼黑大学（TUM - Technische Universität München）和斯坦福大学（Stanford University）Radu博士等人维护和开发的开源项目，主要应用于机器人研究应用领域，随着各个算法模块的积累，于2011年独立出来，正式与全球3D信息获取、处理的同行一起，组建了强大的开发维护团队，以多所知名大学、研究所和相关硬件、软件公司为主。截止目前，发展非常迅速，不断有新的研究机构等加入，在Willow Garage, NVidia, Google (GSOC 2011), Toyota, Trimble, Urban Robotics, Honda Research Institute等多个全球知名公司的资金支持下，不断提出新的开发计划，代码更新非常活跃，至今在不到一年的时间内从1.0版本已经发布到1.9.0版本。

PCL库简介

我们理解了点云的概念，再看看PCL点云库，这个是我们依赖的编程的基础库，对于点云的处理，有太多的库了，这里我们主要以PCL库为主，

PCL（Point Cloud Library）是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库，它实现了大量点云相关的通用算法和高效数据结构，涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。支持多种操作系统平台，可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行。如果说OpenCV是2D信息获取与处理的结晶，那么PCL就在3D信息获取与处理上具有同等地位，PCL是BSD授权方式，可以免费进行商业和学术应用。

对于3D点云处理来说，PCL完全是一个的模块化的现代C++模板库。其基于以下第三方库：Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull，实现点云相关的获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。PCL利用OpenMP、GPU、CUDA等先进高性能计算技术，通过并行化提高程序实时性。K近邻搜索操作的构架是基于FLANN (Fast Library for Approximate Nearest Neighbors)所实现的，速度也是目前技术中最快的。PCL中的所有模块和算法都是通过Boost共享指针来传送数据的，因而避免了多次复制系统中已存在的数据的需要，从0.6版本开始，PCL就已经被移入到Windows，MacOS和Linux系统，并且在Android系统也已经开始投入使用，这使得PCL的应用容易移植与多方发布。

PCL能解决什么问题呢？

机器人领域移动机器人对其工作环境的有效感知、辨识与认知，是其进行自主行为优化并可靠完成所承担任务的前提和基础。如何实现场景中物体的有效分类与识别是

移动机器人场景认知的核心问题，目前基于视觉图像处理技术来进行场景的认知是该领域的重要方法。但移动机器人在线获取的视觉图像质量受光线变化影响较大，特别是在光线较暗的场景更难以应用，随着RGBD获取设备的大量推广，在机器人领域势必掀起一股深度信息结合2D信息的应用研究热潮，深度信息的引入能够使机器人更好地对环境进行认知、辨识，与图像信息在机器人领域的应用一样，需要强大智能软件算法支撑，PCL就为此而生，最重要的是PCL本身就是为机器人而发起的开源项目，PCL中不仅提供了对现有的RGBD信息的获取设备的支持，还提供了高效的分割、特征提取、识别、追踪等最新的算法，最重要的是它可以移植到android、ubuntu等主流Linux平台上

PCL库模块介绍

从算法的角度，PCL是指纳入了多种操作点云数据的三维处理算法，其中包括：过滤，特征估计，表面重建，模型拟合和分割，定位搜索等。每一套算法都是通过基类进行划分的，试图把贯穿整个流水线处理技术的所有常见功能整合在一起，从而保持了整个算法实现过程中的紧凑和结构清晰，提高代码的重用性、简洁可读。

PCL包括多个子模块库。最重要的PCL模块库有如下：过滤器Filters、特征Features、关键点Keypoints、注册Registration、Kd树Kd-tree、八叉树Octree、切分Segmentation、Sample Consensus、Surface、Range Image、文件读写I/O、Visualization、通用库Common、Search在PCL中一个处理管道的基本接口程序是：

（1）创建处理对象：（例如过滤、特征估计、分割等）;

（2）使用setInputCloud通过输入点云数据，处理模块;

（3）设置算法相关参数;

（4）调用计算（或过滤、分割等）得到输出。

为了进一步简化和开发，PCL被分成一系列较小的代码库，使其模块化，以便能够单独编译使用提高可配置性，特别适用于嵌入式处理中。

之后公众号会发布对每一个模块API更加详细的解释，并结合实例讲解，告诉你如何使用该库函数。

编程基础

PCL库安装

根据PCL库起源于ROS，而ROS是基于Ubuntu的，所以我们安装PCL库在Ubuntu系统上十分简单，但是在windows上也是可以安装的，只是在很多小伙伴的吐槽和询问下，总结出windows配置PCL比容易出错。那么这两种环境的配置都是有博客分享的，可查看博主博客或微信公众号的历史消息查看文章，总之Ubuntu上安装只需几条命令行，windows下安装可能需要你半天甚至好几天。

Cmake基础

经常会有有人问到CMake的学习的问题，而且网上也有很多博客是介绍学习CMake 的用法，但是我觉的学习不用这样死板，用到了就顺便学习一下，也就是边做边学，由浅入深，慢慢的就会熟悉了，这个学习的过程中会遇到很多问题，以解决问题的方式驱动自己学习CMake,首先总结一下CMake 的好处，CMake是一个跨平台编译的工具，所以不再需要折腾平台了，比如Windows需要创建Visual Studio项目文件，配置环境等问题，Linux创建Makefile，OS X创建Xcode项目文件。实际上大部分你的配置都会是一样的，使用CMake会给你很好的项目维护性，也会降低你的维护成本。

Cmake 是kitware 公司以及一些开源开发者在开发几个工具套件(VTK)的过程中衍生品，最终形成体系，成为一个独立的开放源代码项目。官方网站是www.cmake.org，可以通过访问官方网站获得更多关于cmake 的信息，

Cmake的特点

(1)开放源代码，使用类BSD 许可发布。http://cmake.org/HTML/Copyright.html

(2) 跨平台，并可生成native 编译配置文件，在Linux/Unix 平台，生成makefile，在苹果平台，可以生成xcode，在Windows 平台，可以生成MSVC 的工程文件。

(3) 能够管理大型项目。

(4) 简化编译构建过程和编译过程。Cmake 的工具链非常简单：cmake+make。

(5) 高效虑，可扩展，可以为cmake 编写特定功能的模块，扩充cmake 功能。

最后就是C++编程的基础，需要慢慢积累，需要多看多写吧，希望大家和我共同学习，共勉！！