1.���ƴ���Դ��
2.点云|CloudCompare源码编译教程
3.浅谈：点云库Open3D、点云点PCL以及CGAL（C++）
4.PCL入门系列一——PCL简介及PCL安装
5.Cartographer源码详解|（2）Cartographer_ros
6.坐标转换&点云变换&姿态互转| TransForms3d

���ƴ���Դ��

       点云处理深度学习方法需应对置换不变性和旋转不变性。处理处理点云原始数据的源码稀疏性是三维方法共同挑战。PointNet解决置换不变性，开源库使用对称函数如最大值函数，点云点高维特征提取后最大化，处理处理iapp邮箱源码钓鱼降低低维损失。源码PointNet通过T-Net矩阵保证旋转不变性，开源库该矩阵转换任意角度输入至正面点云。点云点PointNet整体架构如图所示。处理处理

       PointNet++是源码PointNet改进版，PointNet在分类和Part Segmentation表现良好，开源库但在Semantic Segmentation受限。点云点PointNet++依据2D CNN思想改进，处理处理通过SA模块进行特征学习。源码模块首先采样关键点，围绕每个关键点选取球形区域内点作为Grouping，应用PointNet提取特征。每个点特征不仅包含自身信息，还融合领域内周围点关系。关键点坐标变换确保不变性，输入变换后球形区域内点相对关系确定。最终得到的点特征包含多层次特征学习结果。PointNet++通过不同分辨率和尺度的Grouping解决点云稀疏性影响。

       总结，PointNet和PointNet++在点云处理中各有优势。PointNet通过置换不变性和旋转不变性处理策略，实现对点云数据的有效学习。PointNet++进一步通过多层次特征学习和关键点选择，提高对点与点关系的捕捉能力。两者的架构和策略设计旨在优化点云数据处理效率和精度，满足不同应用需求。

点云|CloudCompare源码编译教程

       这篇教程详细介绍了如何在VS中配置并使用CloudCompare的源码。首先，推荐参考的博客提供了更为详尽的库配置，包括LasTool和PDAl等。

       步骤一：在VS中，进入工具选项，搜索并安装Qt Visual Studio Tools，成都微商城源码按照安装流程直到结束。关闭页面后，退出VS，并等待VSIX Installer的安装。

       安装完成后，打开VS，你将看到Qt VS Tools的工具栏，方便后续操作。

       接着，你需要下载适合自己VS版本的QT，可以从download.qt.io获取。安装时，确保选择与VS兼容的版本，并在系统设置中更新环境变量，例如将QT安装路径（本文示例为D:\QT\5.9.8\msvc_\bin）添加到系统路径中。

       最后，访问GitHub上的CloudCompare源码仓库（github.com/CloudCompare），下载Release Version 2..2版本的源码。至此，VS的配置和CloudCompare源码的下载与安装就已完成，你可以开始下一步的开发工作了。

浅谈：点云库Open3D、PCL以及CGAL（C++）

       本文旨在比较分析点云处理库Open3D、PCL及CGAL（C++），以深入理解其特性、功能与上手难度。

       Open3D，一个面向对象的点云库，提供了丰富的点云与曲面网格算法。其语言设计简洁，易于理解，适合初学者。Open3D模块化高，内聚松耦合，代码量较少，适合快速开发。然而，泛型编程实现较少，百龙霸业源码代码复用性与灵活性不及PCL和CGAL。

       PCL是一个大规模、独立的开源项目，广泛用于2D/3D图像与点云处理。其大量使用泛型编程，提供丰富的点云算法，尤其在点云数据处理方面优势明显。虽然计算效率一般，但学习成本较高，适合深入学习泛型编程。

       CGAL（计算几何算法库）是一个大型C++几何库，提供几何数据结构与算法，如Delaunay三角网、网格生成等。CGAL提供复杂的几何内核，实现完全分离状态，复用性和灵活性高。学习CGAL需具备一定基础，其源码提供丰富学习资源。

       在可视化方面，CloudCompare及Meshlab提供插件式与非插件式二次开发，强调美观简洁，适合处理可视化问题。这两个项目提供大量源代码，涉及点云分割、曲面拟合、分类与曲面重建等，值得学习借鉴。

       学习建议：面对错误，不应害怕，这是学习过程的必要部分。持续学习，保持积极态度。了解这些库的局限，早睡早起，保持身体健康。最后，阅读前保持批判性思维，计算时间网页源码验证信息。

PCL入门系列一——PCL简介及PCL安装

       三维数据描绘着我们世界的丰富面貌，从城市到乡村，从海洋到深空。面对这样的数据，计算机如何理解？点云数据，作为三维世界的基本表现形式之一，成为了连接现实与算法的桥梁。为了解读点云数据，让我们一起探索PCL库的世界，让计算机理解三维数据。

       点云处理的利器——PCL

       PCL（Point Cloud Library）是用于处理点云数据的强大开源项目。官网文档虽不甚美观，但内容详尽丰富，涵盖了点云分割、分类、校准与可视化等多个应用领域。无论是在工业应用中解决实际问题，还是在科研项目中进行创新探索，PCL都能发挥重要作用，为三维数据处理领域提供强大支持。

       从源码到安装，PCL的获取与部署

       PCL的安装方式多样，包括预编译的二进制文件和源码安装。操作系统兼容性广泛，支持Windows、Linux和Mac系统。对于希望深入学习PCL的用户，推荐使用Linux系统并从源码进行编译。尤其在结合CUDA编程时，Linux系统的使用将更为便捷。使用docker也是个不错的选择，详情请参考相关指南。

       Ubuntu下从源码安装PCL的步骤

       了解了PCL的安装方式后，让我们聚焦Ubuntu下的源码安装流程。首先，访问官方操作链接获取所需PCL版本，下载并解压。在线填报系统 源码以1.7.2为例，您可选择更新至1.9.X版本。至此，从源码安装PCL的过程即告完成。

Cartographer源码详解|（2）Cartographer_ros

       上一篇文章深入分析了传感器数据的流向，接下来让我们继续探讨传感器格式的转换与类型变换。这部分内容在sensor_bridge.cc文件中。在处理传感器的坐标变换时，我们需要运用三维空间刚体运动的知识，先进行简要回顾，以助于理解代码。

       三维空间刚体运动涉及向量内积与外积。向量内积的计算公式如下，表示两个向量的点乘。向量外积则是一个向量，其方向垂直于两个向量，大小为两向量张成四边形的有向面积，计算公式如下。

       旋转和平移是欧氏变换的两个关键部分。旋转涉及单位正交基的变换，形成旋转矩阵（Rotation matrix），该矩阵的各分量由两组基之间的内积组成，反映了旋转前后同一向量坐标的变化关系。平移则通过向旋转后的坐标中加入平移向量t实现。通过旋转矩阵R和平移向量t，我们可以完整描述欧氏空间中的坐标变换关系。

       为了简化变换过程，引入齐次坐标和变换矩阵。在三维向量末尾添加1形成四维向量，进行线性变换。变换矩阵T能够将两次变换叠加简化为一个操作，便于后续计算。

       Cartographer的坐标转换程序位于transform文件夹下的rigid_transform中，用于求解变换矩阵的逆。

       在sensor_bridge类中，构造函数将传入配置参数，对里程计数据进行处理。首先将ros时间转换为ICU时间，然后利用tf_bridge_.LookupToTracking函数找到tracking坐标系与里程计child_frame_id之间的坐标变换。在ToOdometryData函数中，将里程计的footprint的pose转换为tracking_frame的pose，并最终将结果转换为carto::sensor::OdometryData的数据类型。

       HandleOdometryMessage函数将传感器数据类型与坐标系转换完成后，调用trajectory_builder_->AddSensorData进行数据处理。对于雷达数据，首先转换为点云格式，然后对点云进行坐标变换，并调用trajectory_builder_->AddSensorData进行数据处理。

       IMU数据处理中，要求平移分量小于1e-5，然后调用trajectory_builder_->AddSensorData对数据进行处理。

       在雷达数据处理部分，首先将点云数据分段，然后传给HandleRangefinder处理，将点云坐标变换到tracking_frame坐标系下，调用trajectory_builder_->AddSensorData函数进行数据处理。

       总结本章内容，我们详细解析了SensorBridge类，对传感器数据进行了转换和传输。通过Node类、MapBuilderBridge类和SensorBridge类，我们对Cartographer_ros部分的代码有了基本了解。接下来，我们将深入学习cartographer。

坐标转换&点云变换&姿态互转| TransForms3d

       本文分享的开源库TransForms3d，专为坐标转换和点云变换提供解决方案，基于Eigen库构建，无需额外依赖，适用于机器人开发和导航系统构建。

       开源地址：gitee.com/ohhuo/transfo... 或 github.com/fishros/tran...

       该库提供丰富的函数，覆盖角度、欧拉角、四元数和齐次矩阵等基础转换，以及坐标变换组操作。

       安装与使用

       1. **源码引入**：将trans_forms_group.cpp,trans_forms.cpp,transforms3d.h文件复制至项目中。

       2. **编译安装**：根据项目需求进行编译。

       3. **使用样例**：

        - **手眼矩阵估算**：通过TransformsGroup实现。

        - **点云坐标转换**：利用TransformsGroup完成。

        - **欧拉角转换**：支持多种格式转换。

       函数列表

       基础部分：角度、弧度、欧拉角、四元数、齐次矩阵等转换。

       坐标变换组：添加、打印、查找坐标转换关系。

       鸣谢与反馈

       欢迎贡献代码、提供反馈，共同提升TransForms3d库的性能与功能。

插件介绍点云处理插件COCKROACH

       COCKROACH插件是一款开源的点云处理工具，由Petras Vestartas和Andrea Settimi共同开发。

       此插件依托于Open3D、CGAL和Cilantro库，代码可在Github上找到：github.com/9and3/Cockro...

       开源的初衷是为了打造一个面向.NET的开放源代码点云处理工具，开发者期望有更多人为其贡献，增添更多功能。

       以下通过开发者提供的案例，详细解析COCKROACH插件的功能。

       包括：拾取点云、输出点云信息；按点数降低点云采样；按Voxel大小采样，Voxel越大，点云数越小；以box裁剪点云，支持反向裁剪；以多段线裁剪点云；以平面去切点云；根据颜色和点大小显示点云；显示点云的法向量；用点云创建网格；网格修复；网格的中心骨架；把网格转成点云；布尔网格等。

       插件下载方面，COCKROACH插件提供了多种方式。

       1. 可通过Food4Rhino下载COCKROACH插件，搜索插件名称，找到对应版本即可下载。下载链接：food4rhino.com/en/app/c...

       注意：下载Grasshopper版本时，请选择倒数第二个版本，以免下载错误。

       2. 第二种方法仅支持Rhino版本安装，不支持Grasshopper版本。使用程序集管理包（PackageManager）进行下载，在犀牛7中执行_PackageManager指令，搜索COCKROACH插件直接安装。

       3. 如果熟悉代码，还可以从github下载COCKROACH插件的源代码。github.com/9and3/Cockro...

       Grasshopper版本安装完成后，即可使用。

开源科学工程技术软件介绍 – 点云处理软件CloudCompare

       点云（Point Cloud）是一种空间中的点数据集，主要用于表示三维形状或对象，通常通过三维扫描仪、激光雷达、摄像头、RGB-D相机等设备获取。每个点的位置由一组笛卡尔坐标（X，Y，Z）描述，可能还包含色彩信息（R，G，B）或物体反射面强度（Intensity）信息。

       点云广泛应用于多个领域，例如建模、设计、质量控制、逆向工程、虚拟现实、增强现实等。CloudCompare就是一款专门用于处理三维点云和三角形网格的软件，最初设计目的是在两个三维点云或点云与三角形网格之间进行比较，即“云比较”。它采用八叉树结构进行优化，能够处理大量点云数据，通常超过万个点，甚至高达1.2亿个点，内存占用超过2GB。

       CloudCompare使用C++开发，用户界面基于Qt，图形渲染使用OpenGL，支持Windows、MacOS和Linux操作系统。用户可以从其官方网站cloudcompare.org下载安装程序，源代码则在Github上：/ProjectPhysX/CloudCompare。该软件自年开始开发，年开源，年7月开始在GitHub上发布版本，最新的2..1版发布于年3月。

       CloudCompare功能丰富，包括但不限于数据导入、导出、可视化、滤波、统计、对齐、几何变换等操作。用户可以访问官方网站获取更多详细信息和功能介绍，或者在GitHub上查找最新的开发动态和用户社区。

       在科学工程领域，还有许多其他开源软件，如用于数据处理的Silx，用于机器人开发的rviz，用于可视化中间件的Visualization Library，用于科学可视化分析的Graphia等。此外，还有用于科学可视化和数据可视化的工具，如用于医学图像计算平台的3D Slicer，用于数据可视化的PyVista，用于地理信息的GeoJS等。

点云空间搜索之八叉树（含源码）

       除了上一回介绍的kd树，八叉树在许多场景中也经常被使用，具体介绍可以参考我之前写的另一篇文章。

       那么，游戏场景管理的八叉树算法是如何实现的呢？在PCL中，已经封装了体素内邻近搜索、K近邻搜索、半径内近邻搜索等功能。

       虽然示例代码和教程都非常丰富，但在此就不一一细讲了。

       下面，我将主要介绍两个较为少见的八叉树应用。

       一、八叉树应用之空间变化检测

       在PCL中，使用了双缓冲八叉树（double-buffering octree）结构。在操作上，首先对第一个点云文件进行一次完整的编码，然后对后续的点云文件，仅对前后的差值进行编码。每个分支节点都有两个缓冲区，当需要创建新的子节点时，会在当前分支节点中执行对前面指针缓冲区的查找。如果找不到相关的引用指针，即在之前处理过的八叉树结构中不存在相应的体素，则创建新的子节点，且两个缓冲区都初始化为0。如果在前面的指针缓冲区中可以找到对应的子节点指针，就采用它的引用，并仅初始化所选的子指针缓冲区为0。初始化完成后，可以通过对两个缓存区进行异或操作，得到两个八叉树缓存区之间的差异，类似于视频编码中的帧间预测，用于编码两个帧间的差异。

       二、点云体素化及格网显示

       每个点，甚至多个点都可以被映射进一个体素内。

       上代码：