庫的位址：www.cs.ubc.ca/research/flann/
很顯然在PCL 搜尋最近鄰也是屬于高次元近鄰搜尋，是以需要用到這樣的庫來尋找比對的，比如我們如果想通過使用PCL點雲的資料來識别出物體到底是什麼，那麼很明顯是需要一個資料錄的，這個資料庫的訓練該怎麼來實作呢？因為我對機器學習了解的比較少，我想通過機器學習的方法來識别是最好的，也是今後可以做的工作，目前來看，我認為的方法就是通過對大量的點雲進行訓練并提取他們的特征點，比如VFH，然後把大量點雲訓練存儲成八叉樹，以便于很好的搜尋和比對，而且在PCL 中使用八叉樹是很常見的一種存儲結構，也是友善搜尋的，然後通過計算我們想要識别物體的點雲 的VFH，通過FLANN算法尋找到最接近的，這就是整體的思路
主要流程
使用SURF，SIFT特征提取關鍵點（在PCL中同樣适用） 計算特征描述子（比如VFH） 使用FLANN比對器進行描述子向量比對
那麼有興趣可以去仔細看看論文啊，我等渣渣真是多年以來對論文沒什麼感覺
介紹幾種FLANN庫中的API接口，如何去使用它，然後通過具體的執行個體去實作這樣一個比對
（1）flann::Index這是FLANN最近鄰指數類。該類用于抽象的不同類型的最近鄰搜尋索引。距離函數類模闆用于計算兩個特征空間之間的距離。
（2）flann::Index::knnSearch
對一組點查詢點，該方法執行K最近鄰搜尋。該方法有兩個實作，一個攜帶預開辟空間的flann::Matrix對象接收傳回的找到鄰居的索引号和到其距離；另一個是攜帶std::vector<std::vector>根據需要自動重新調整大小。
參數解釋：
queries: 承載查詢點的矩陣，矩陣大小是：查詢點數*緯數；
indices: 将承載所有被找到的K最近鄰的索引号（ 預開辟的大小應該至少是查詢點數*knn）；
dists: 将承載到所有被找到的K最近鄰的距離隻（預開辟大小應該至少是查詢點數*knn）；
knn: 要找的最近鄰的個數；
params: 搜尋參數。承載搜尋時要使用的參數的結構體，結構體類型是SearchParameters。
在這裡就不再一一翻譯了
設定FLANN距離的類型
建立和傳回索引的函數
儲存索引到本地磁盤（僅僅是索引被儲存）
從磁盤中載入索引檔案
建立一個索引或者說指定一個索引來尋找最近鄰域
對提供的索引來尋找最近鄰
半徑搜尋的方法在已經建立的索引檔案中尋找
釋放記憶體
利用特征聚類
基本的介紹，可以檢視相應的手冊
#include <flann/flann.h>
#include <flann/io/hdf5.h>
其中還涉及到另外一種檔案的資料結構的使用，一般都會包含兩個頭檔案，第一個頭檔案是關于FLANN算法實作的聲明的函數集，第二個頭檔案是關于資料結構的一種存儲的方式，hdf5是用于存儲和分發科學資料的一種自我描述、多對象檔案格式，HDF 被設計為：
自述性：對于一個HDF 檔案裡的每一個資料對象，有關于該資料的綜合資訊（中繼資料）。在沒有任何外部資訊的情況下，HDF 允許應用程式解釋HDF檔案的結構和内容。
通用性：許多資料類型都可以被嵌入在一個HDF檔案裡。例如，通過使用合适的HDF 資料結構，符号、數字和圖形資料可以同時存儲在一個HDF 檔案裡。
靈活性：HDF允許使用者把相關的資料對象組合在一起，放到一個分層結構中，向資料對象添加描述和标簽。它還允許使用者把科學資料放到多個HDF 檔案裡。
擴充性：HDF極易容納将來新增加的資料模式，容易與其他标準格式相容。
跨平台性：HDF 是一個與平台無關的檔案格式。HDF 檔案無需任何轉換就可以在不同平台上使用
最好的辦法是把HDF 檔案看成為一本有表格内容的多章節書。HDF 檔案是“資料書”，其中每章都包含一個不同類型的資料内容。正如書籍用一個目錄表列出它的章節一樣，HDF檔案用“data index”（資料索引）列出其資料内容
HDF 檔案結構包括一個file id（檔案号）、至少一個 data descriptor （資料描述符）、沒有或多個 data element（資料内容）資料内容。
以上内容是涉及到關于對PCL中物體的識别的基礎知識。
有興趣者關注微信公衆号，更歡迎大家投稿分享，隻要是關于點雲的都可以分享
