PointCloud1

Module

features

涵盖了从3D点云数据中进行3D特征估计的数据结构和机制。最广泛使用的特征是一个点的curvature(曲率)和normal(法向量）。通过K近邻得到这些作为局部特征。首先将空间进行分割，如利用kD-trees，最近点搜索在这些空间中进行。选择点P最近的k个点，或以P为圆心半径为R的球中的点。

一个简单的方法求法向量和曲率是对这些点特征分解（eigendecomposition），最小的特征值对应的特征向量近似于点P的法向量n,曲率可以通过特征值估计：
$\frac{{\lambda }_0}{{\lambda }_0+{\lambda }_1+{\lambda }_2}$

keypoints

实现了一些关键点检测算法，关键点和描述子可以用来表征原始数据。

registration

在不同的数据集合之间进行匹配，找到了一个最优的变换，误差最小。

octree

层次树结构，用于空间分割，下采样以及搜索操作。每一个结点有8个孩子或没有子结点。根结点描述了一个立方体的bbox,包含了所有点。
提供了高效的最近邻搜索路线，对点云数据集合自动调整维度。

segmentation

分割

sample_consensus

包括一些通用模型，如平面，线，圆柱体，球体等。以及一些SAC methods，如RANSAC。

surface

对3D扫描得到的进行重建，如果cloud是有噪声的，或者有多个扫描单没有对齐，那么平滑和重采样就很重要。

创建surface的常用方法是网格，将点进行快速三角化这是一个快速的方法。

当需要一个简化的面或需要抽取边界时，创建convex或concave hull就很有用。

recognition

io

实现了3D点云数据文件(PCD)的读写操作,以及从感知设备中捕获点云。

visualization

实现可视化，类似于OpenCV的highgui。