本文我们一起学习一下Point Cloud Library的相关内容。PCL被分成了多个库，我们接下来分别看一下每个库的功能和内容是什么。原文见 https://pcl.readthedocs.io/projects/tutorials/en/master/walkthrough.html#

Filters

这一部分主要是对点云滤波，去噪或者outlier去除。由于估计噪声，一些点云中是有些阴影点的，这就使得local point cloud 3D features的估计变得更难。这些outliers 可以滤掉：首先进行a statistical analysis on each point’s neighborhood，then把不满足某个条件的点全扔掉。

比如 sparse outlier removal 这个技术。对于每个点，得到他到所有邻居距离的均值，并假设这个均值是Gaussian的。那么那些距平均距离在高斯tail地方的点都可以被当做outlier.

其他常见的任务包括:

1. Filtering a PointCloud using a PassThrough filter: 在某个给定的维度上，将用户指定区域外的点删掉.
2. Downsampling a PointCloud using a VoxelGrid filter: 降采样。
3. Removing outliers using a StatisticalOutlierRemoval filter: 移除 sparse outliers from noisy data, using StatisticalRemoval.
4. Projecting points using a parametric model: 投影 points to a parametric model (i.e., plane).
5. Extracting indices from a PointCloud: extract a set of indices given by a segmentation algorithm.
6. Removing outliers using a Conditional or RadiusOutlier removal: 移除 outliers from noisy data, using ConditionalRemoval, RadiusOutlierRemoval.

Features

这个库主要包含的是 data structures and mechanisms 使得我们可以从点云中估计3D feature。3D feature指的是在某个感兴趣的3D点的几何特征。

几何特征通常由某个点周围的 kkk closest point neighbors 的特征一起推算得到。为了找到这些邻居，我们需要使用空间分解技术，比如octrees or kD-trees，把三维空间分为多个小chunks 再寻找kkk closest neighbors。当然，我们既可以找最近的 kkk 个，也可以找一个圆内的所有点。

两个最常用的features是

• underlying surface’s estimated curvature
• normal at a query point

确定surface normals and curvature changes 最简单的方法是对k-neighborhood point surface patch进行特征值分解。这样一来，最小特征值对应的特征向量便可以近似surface normal; 而 surface curvature change 可以从 eigenvalues 中估计 λ0λ0+λ1+λ2\frac{\lambda_0}{\lambda_0+\lambda_1+\lambda_2}λ0​+λ1​+λ2​λ0​​ with λ0<λ1<λ2\lambda_0<\lambda_1<\lambda_2λ0​<λ1​<λ2​.