PCL[點雲庫]

PCL（Point Cloud Library）是在吸收了前人點雲相關研究基礎上建立起來的大型跨平台開源C++編程庫，它實現了大量點雲相關的通用算法和高效數據結構，涉及到點雲獲取、濾波、分割、配準、檢索、特徵提取、識別、追蹤、曲面重建、可視化等。支持多種作業系統平台，可在Windows、Linux、Android、Mac OS X、部分嵌入式實時系統上運行。如果說OpenCV是2D信息獲取與處理的結晶，那么PCL就在3D信息獲取與處理上具有同等地位，PCL是BSD授權方式，可以免費進行商業和學術套用。 PCL起初是ROS（Robot Operating System）下由來自於慕尼黑工業大學（TUM - Technische Universität München）和史丹福大學（Stanford University）Radu博士等人維護和開發的開源項目，主要套用於機器人研究套用領域，隨著各個算法模組的積累，於2011年獨立出來，正式與全球3D信息獲取、處理的同行一起，組建了強大的開發維護團隊，以多所知名大學、研究所和相關硬體、軟體公司為主。截止目前，發展非常迅速，不斷有新的研究機構等加入，在Willow Garage, NVidia, Google (GSOC 2011), Toyota, Trimble, Urban Robotics, Honda Research Institute等多個全球知名公司的資金支持下，不斷提出新的開發計畫，代碼更新非常活躍，至今在不到一年的時間內從1.0版本已經發布到1.7.0版本。

PCL的結構和內容

如圖PCL架構圖所示，對於3D點雲處理來說，PCL完全是一個的模組化的現代C++模板庫。其基於以下第三方庫：Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull，實現點雲相關的獲取、濾波、分割、配準、檢索、特徵提取、識別、追蹤、曲面重建、可視化等。

PCL利用OpenMP、GPU、CUDA等先進高性能計算技術，通過並行化提高程式實時性。K近鄰搜尋操作的構架是基於FLANN (Fast Library for Approximate Nearest Neighbors)所實現的，速度也是目前技術中最快的。PCL中的所有模組和算法都是通過Boost共享指針來傳送數據的，因而避免了多次複製系統中已存在的數據的需要，從0.6版本開始，PCL就已經被移入到Windows，MacOS和Linux系統，並且在Android系統也已經開始投入使用，這使得PCL的套用容易移植與多方發布。

PCL架構圖

圖 PCL架構圖

從算法的角度，PCL是指納入了多種操作點雲數據的三維處理算法，其中包括：過濾，特徵估計，表面重建，模型擬合和分割，定位搜尋等。每一套算法都是通過基類進行劃分的，試圖把貫穿整個流水線處理技術的所有常見功能整合在一起，從而保持了整個算法實現過程中的緊湊和結構清晰，提高代碼的重用性、簡潔可讀。在PCL中一個處理管道的基本接口程式是：

創建處理對象：（例如過濾、特徵估計、分割等）;

使用setInputCloud通過輸入點雲數據，處理模組;

設定算法相關參數;

調用計算（或過濾、分割等）得到輸出。

為了進一步簡化和開發，PCL被分成一系列較小的代碼庫，使其模組化，以便能夠單獨編譯使用提高可配置性，特別適用於嵌入式處理中:

libpcl filters：如採樣、去除離群點、特徵提取、擬合估計等數據實現過濾器；

libpcl features：實現多種三維特徵，如曲面法線、曲率、邊界點估計、矩不變數、主曲率，PFH和FPFH特徵，旋轉圖像、積分圖像，NARF描述子，RIFT，相對標準偏差，數據強度的篩選等等；

libpcl I/O：實現數據的輸入和輸出操作，例如點雲數據檔案（PCD）的讀寫；

libpcl segmentation：實現聚類提取，如通過採樣一致性方法對一系列參數模型（如平面、柱面、球面、直線等）進行模型擬合點雲分割提取，提取多邊形稜鏡內部點雲等等；

•libpcl surface：實現表面重建技術，如格線重建、凸包重建、移動最小二乘法平滑等；

libpcl register：實現點雲配準方法，如ICP等；

libpclkeypoints：實現不同的關鍵點的提取方法，這可以用來作為預處理步驟，決定在哪兒提取特徵描述符；

libpcl range ：實現支持不同點雲數據集生成的範圍圖像。

為了保證PCL中操作的正確性，上述提到的庫中的方法和類包含了單位和回歸測試。這套單元測試通常都是由專門的構建部門按需求編譯和驗證的。當某一部分測試失敗時，這些特定部分的各自作者就會立即被告知。這徹底地保證了代碼測試過程出現的任何變故，以及新功能或修改都不會破壞PCL中已經存在的代碼。