库的地址：www.cs.ubc.ca/research/flann/
很显然在PCL 搜索最近邻也是属于高维度近邻搜索，所以需要用到这样的库来寻找匹配的，比如我们如果想通过使用PCL点云的数据来识别出物体到底是什么，那么很明显是需要一个数据录的，这个数据库的训练该怎么来实现呢？因为我对机器学习了解的比较少，我想通过机器学习的方法来识别是最好的，也是今后可以做的工作，目前来看，我认为的方法就是通过对大量的点云进行训练并提取他们的特征点，比如VFH，然后把大量点云训练存储成八叉树，以便于很好的搜索和匹配，而且在PCL 中使用八叉树是很常见的一种存储结构，也是方便搜索的，然后通过计算我们想要识别物体的点云 的VFH，通过FLANN算法寻找到最接近的，这就是整体的思路
主要流程
使用SURF，SIFT特征提取关键点（在PCL中同样适用） 计算特征描述子（比如VFH） 使用FLANN匹配器进行描述子向量匹配
那么有兴趣可以去仔细看看论文啊，我等渣渣真是多年以来对论文没什么感觉
介绍几种FLANN库中的API接口，如何去使用它，然后通过具体的实例去实现这样一个匹配
（1）flann::Index这是FLANN最近邻指数类。该类用于抽象的不同类型的最近邻搜索索引。距离函数类模板用于计算两个特征空间之间的距离。
（2）flann::Index::knnSearch
对一组点查询点，该方法执行K最近邻搜索。该方法有两个实现，一个携带预开辟空间的flann::Matrix对象接收返回的找到邻居的索引号和到其距离；另一个是携带std::vector<std::vector>根据需要自动重新调整大小。
参数解释：
queries: 承载查询点的矩阵，矩阵大小是：查询点数*纬数；
indices: 将承载所有被找到的K最近邻的索引号（ 预开辟的大小应该至少是查询点数*knn）；
dists: 将承载到所有被找到的K最近邻的距离只（预开辟大小应该至少是查询点数*knn）；
knn: 要找的最近邻的个数；
params: 搜索参数。承载搜索时要使用的参数的结构体，结构体类型是SearchParameters。
在这里就不再一一翻译了
设置FLANN距离的类型
建立和返回索引的函数
保存索引到本地磁盘（仅仅是索引被保存）
从磁盘中载入索引文件
建立一个索引或者说指定一个索引来寻找最近邻域
对提供的索引来寻找最近邻
半径搜索的方法在已经建立的索引文件中寻找
释放内存
利用特征聚类
基本的介绍，可以查看相应的手册
#include <flann/flann.h>
#include <flann/io/hdf5.h>
其中还涉及到另外一种文件的数据结构的使用，一般都会包含两个头文件，第一个头文件是关于FLANN算法实现的声明的函数集，第二个头文件是关于数据结构的一种存储的方式，hdf5是用于存储和分发科学数据的一种自我描述、多对象文件格式，HDF 被设计为：
自述性：对于一个HDF 文件里的每一个数据对象，有关于该数据的综合信息（元数据）。在没有任何外部信息的情况下，HDF 允许应用程序解释HDF文件的结构和内容。
通用性：许多数据类型都可以被嵌入在一个HDF文件里。例如，通过使用合适的HDF 数据结构，符号、数字和图形数据可以同时存储在一个HDF 文件里。
灵活性：HDF允许用户把相关的数据对象组合在一起，放到一个分层结构中，向数据对象添加描述和标签。它还允许用户把科学数据放到多个HDF 文件里。
扩展性：HDF极易容纳将来新增加的数据模式，容易与其他标准格式兼容。
跨平台性：HDF 是一个与平台无关的文件格式。HDF 文件无需任何转换就可以在不同平台上使用
最好的办法是把HDF 文件看成为一本有表格内容的多章节书。HDF 文件是“数据书”，其中每章都包含一个不同类型的数据内容。正如书籍用一个目录表列出它的章节一样，HDF文件用“data index”（数据索引）列出其数据内容
HDF 文件结构包括一个file id（文件号）、至少一个 data descriptor （数据描述符）、没有或多个 data element（数据内容）数据内容。
以上内容是涉及到关于对PCL中物体的识别的基础知识。
有兴趣者关注微信公众号，更欢迎大家投稿分享，只要是关于点云的都可以分享
