接着上一篇的介绍继续
关于在使用readHeader函数读取点云数据头的类型的代码（Read a point cloud data header from a PCD file.）
查看PCD文件里的内容（其实对于如何生成这种高纬度的文件呢？）
另外一种PCD文件的比如VFH的PCD文件
那么接下来我们就可以使用PCL给定的数据集，以及FLANN的库是实现对点云的识别，方法是按照（1）的思路来做的
首先我们是假设已经有了数据集，以及相应每个数据集的VFH全局表述子的PCD文件，这样我们就可以使用（1）中的思路把数据集训练并保存到数中，方便之后我们再输入给定的点云的VFH的PCD文件进行查找
那么其实这里面，我们如果是自己生成数据集，并对每个数据生成对应的VFH文件就会有点难度，毕竟这是对采集到的数据，对于一些无关点云需要剔除，
然后对有用的有价值的点云数据进行聚类，以及各个角度的点云聚类，然后对聚类的对象生成对应的VFH的特征PCD文件，这就是大致思路，
那么我们来看一下源代码是如何读取并训练数据源的，并生成可用于FLANN使用的文件，并存在磁盘中
源代码分析如下
这里面就很明显的生成了两个可用于FLANN进行搜索匹配的文件，以及模型的名称的列表，就是会生成以下三个文件
kdtree.idx（这个是kdtree模型的索引）
training_data.h5（用于FLANN库中的一种高效的文件格式，上一章有介绍）,
training_data.list（这是训练数据集的列表）
（2）那么对于已经生成好的点云的数据集，我们就需要使用写一个程序来实现给定一个点云的VFH的PCD文件来寻找这个点云所在位置并且是什么角度拍照的结果，闲话少说明，直接就上程序
这里面就涉及到FLANN的库的函数的使用,执行的结果
打印的结果，这里面会显示最接近的六个数据集，并且计算这六个最近点云与给定点云之间的“距离”，这也是衡量两者之间的相似度的大小
可视化的结果
很明显左下角就是我们给定的数据点云，而且运行查找的速度非常快～
好了就这样了
关注微信公众号，欢迎大家的无私分享