3D开源点库（PointCloud Library）介绍

          Point Clouds Library （PCL） 是由Radu Bogdan等人开发的一个开源项目，其最初的动机是专注于点云感知的应用，并集成大量高级的用语3D感知的方法，适用于3 Building Blcoks，这个库实现的算法包括：Filtering, feature estimation, surface reconstruction, registration, model fitting and segmentation. PCL库还支持ROS（Robot operating system）.

         PCL库是一个采用模版化的现代c++语言实现，并在底层充分利用了SSE优化指令，算法中采用了大量的开源库，包括Eigen（一个用于线性代数的开源模版化库）、OPenMP（可以参考网站：http://openmp.org）、Intel公司开发的用于多核并行运算的TBB库（Threading Building Blocks）、以及FLANN（Fast K-Nearest for Approximate Nearest Neighbors），除此以外，在三维展示方面，PCL库引入了VTK（Visualization Toolkit）。

        PCL设计的时候考虑到了开发的简单和方便性，将这些函数库分别分成更小的块进行编译，主要包括如下模块：

       （1）libpcl_filters：实现数据滤波，如向下降采样、异常数据处理、indices extraction，投影等。

       （2）libpcl_feature: 该库包含大量的3D特征，如surface normals, curvatures, boundary point estimation, moment invariants, principal curvatures, PFH 和FPFH descriptors, RIFT, RSD, VFH, SIFHT等。

      （3）libpcl_io:主要用于输入输出。

      （4）libpcl_segmentation:实现cluster extraction, model fitting, polygonal prism extraction.

         另外，还包括Libpcl_surface, libpcl_registration, libpcl_keypoints, libpcl_range_image等模块，更多信息请参考官网：http://www.pointclouds.org/。

         为了使用PCL，首先需要下载库，通过官网下载对应的版本，选择ALL-IN-ONE的安装包，该包包含了PCL中所使用的全部第三方编译包。下载完成后直接安装，路径可以根据自己的需要进行安装。安装完成后：将对应的库文件添加到环境变量中（如果要用到第三方的库，则要将第三方的库文件也添加到环境变量中）：

      接着，在开发环境IDE中添加对应的路径，本文是在VS2008中，“工具—选项–项目与解决方案”：

        1） 可执行文件bin的配置

 

         2） 包含文件include的配置

        3）库文件lib的配置

            特别提示，上面的配置只是举例，开发人员在配置的时候，一定要将所有的对应文件都进行配置，即包括PCL库和所有的第三方的库的对应文件的配置。

           下面是一个简单的使用PCL库的例子（在项目属性的附加依赖性里添加使用的lib文件，如果不知道是哪个lib文件，则将所有的lib文件都添加进行），包括：

debug: 
pcl_apps_debug.lib
pcl_common_debug.lib
pcl_features_debug.lib
pcl_filters_debug.lib
pcl_io_debug.lib
pcl_io_ply_debug.lib
pcl_kdtree_debug.lib
pcl_keypoints_debug.lib
pcl_octree_debug.lib
pcl_range_image_border_extractor_debug.lib
pcl_registration_debug.lib
pcl_sample_consensus_debug.lib
pcl_search_debug.lib
pcl_segmentation_debug.lib
pcl_surface_debug.lib
pcl_tracking_debug.lib
pcl_visualization_debug.lib

Release: 
pcl_apps_release.lib
pcl_common_release.lib
pcl_features_release.lib
pcl_filters_release.lib
pcl_io_release.lib
pcl_io_ply_release.lib
pcl_kdtree_release.lib
pcl_keypoints_release.lib
pcl_octree_release.lib
pcl_range_image_border_extractor_release.lib
pcl_registration_release.lib
pcl_sample_consensus_release.lib
pcl_search_release.lib
pcl_segmentation_release.lib
pcl_surface_release.lib
pcl_tracking_release.lib
pcl_visualization_release.lib

          程序代码如下：

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

using namespace std;

int main( int argc, char* argv[])
{
	pcl::PointCloud<pcl::PointXYZ> cloud;
	cloud.width = 5;
	cloud.height = 1;
	cloud.is_dense = false;
	cloud.points.resize(cloud.height*cloud.width);

	for ( size_t i=0; i<cloud.points.size(); ++i )
	{
		cloud.points[i].x = 1024* rand()/(RAND_MAX+1.0f);
		cloud.points[i].y = 1024* rand()/(RAND_MAX+1.0f);
		cloud.points[i].z = 1024* rand()/(RAND_MAX+1.0f);
	}
	pcl::io::savePCDFileASCII("test_pcd.pcd",cloud);
	std::cerr<<"Saved"<< cloud.points.size()<<" data points to test_pcd.pcd."<<std::endl;
	for ( size_t i=0; i<cloud.points.size(); ++i )
	{
		std::cerr<<"  cloud.points[i].x "<<cloud.points[i].x<<endl<<"  cloud.points[i].yx "<<cloud.points[i].y<<endl<<"  cloud.points[i].z "<<cloud.points[i].z<<endl;
	}
	char c= (char)getchar();
	
	return 1;

}

          执行结果如下图：

 

 

 

 

 

        

转载自：https://blog.csdn.net/kezunhai/article/details/9815079