一个精简的开源点云库

Cilantro是一个精简高效的点云数据处理库，编程是C++，依赖项较少，但是相比较于PCL来说，代码更有可读性，PCL中大量的使用C++高级特性，阅读起来比较难并且不易重构拆解代码，而cilantro重点放在了3D案例上，尽量减少了样板代码的数量，包含了对点云常见的操作，是一个比较简单易懂的API，所以该库可以被广泛的模块化，并且支持多维度数据进行操作，同时保证对算法模块的模块化和可扩展性。作者是一位在Magic leap公司工作的计算机视觉工程师，是马里兰大学伯克利分校的计算机科学博士，是感知机器人小组的成员。

模块划分

点云基本处理模块

(1)一般尺寸的KD树（与PCL一样都用了第三方依赖项nanoflann）

(2)基于原始点云的曲面法向量和曲率的估计

(3)基于常用的尺寸网格的点云重采样算法

(4)主成分分析

(5)三维点云基本的IO操作（其中依赖了第三方库tinyply和Eigen库）

(6)rgbd图像对和点云之间的转换程序

点云凹凸以及空间检测模块

(1)使用了第三方库Qhull实现从常见维度点云凸多面体检测

(2)实现多个图多面体的并集检测运算

点云分类模块

(1)依赖第三方库nanoflann实现多维度的基于距离度量的K-mean聚类算法

(2)基于第三方库Spectra的各种拉普拉斯类型的频谱聚类

(3)支持自定义的基于内核的mean-shift聚类算法

(4)支持任意点之间基于联通性的点云分割算法

点云配准模块

支持任意对应搜索方式的ICP点云配准

(1)点对点的度量方式（通用维度）点对平面的度量（二维或者三维）或者其他任意组合下的刚性或者仿射对齐算法

(2)在点到点和点到平面度量的任意组合下，通过稳定的正则化，局部刚体或者仿射变换，实现二维或者三维点集的非刚性对齐，并支持稠密和稀疏的点云变换的算法。

点云模型估计模块

ransac估计器模板及其在一般维度上的实例：

（1）稳健超平面估计

（2）给定噪声对应的刚性点云配准

点云可视化模块模块

主要是依赖了第三方库Pangolin

安装与实例

安装Eigen以及 Pangolin

安装Eigen3

sudo apt-get install libeigen3-dev

安装Pangolin

sudo apt-get install libglew-dev libpython2.7-dev libboost-dev libboost-thread-dev libboost-filesystem-dev -y

git clone https://github.com/stevenlovegrove/Pangolin

cd Pangolin

mdkir build

cd build

cmake ..

make

sudo make install

安装完成后下载源码并编译

(已经fork到我们的github组群中)

git clone https://github.com/dianyunPCL/cilantro.git

编译

mkdir build

cd build

cmake ..

make

从cmake中我们可以看出来代码是比较精简的，一般性的第三方库都已经在include中，并且直接将其编译为.so文件，而我们在安装成eigen和pangolin

之后，将会编译example中的代码。所以如果想修改其中的代码，相比较PCL的库简单很多。

此时我们找一个example运行一下。这里以可视化的函数为例

./visualizer test.ply

以上就是文章的全部内容了，群主总结一下，该库相比较PCL功能少了很多，但是基本的点云处理涵盖了，并且支持处理的点云的类型主要是PLY格式，可以配合着PCL使用，当然其中还有很多的example，群主也没有细读代码，希望有兴趣的小伙伴可以尝试着自己运行，并且能够深入理解其中的代码，能够从这一套代码中独立出一个算法来，并且有所改进，这应该是是很多小伙伴想做的事情。这也是为了解答前几天在微信群里提问如何改进点云算法的问题吧，期待小伙伴们能够积极主动的邮件与我交流，相互学习。