PCL（Point Cloud Library），又叫做点云库，是一个经BSD授权可用于点云处理的大型跨平台开源C++编程库，其最早是以斯坦福大学Radu博士为首进行维护与开发的开源项目，主要用于机器人领域。PCL涵盖处理点云数据的多种通用算法和数据结构，其具体实现基于第三方库Boost、Eigen、FLANN、VTK、CUDA、OpenNI和Qhull，能够支持Windows、Linux、Mac OS和Android等多种操作系统平台。PCL包括点云获取、分割、特征描述与提取、可视化、曲面重建、配准、滤波和输入/输出等功能模块以及动作跟踪识别等应用，并且在不断更新的PCL版本中会加入新的算法与应用。截止至2022年，PCL已被广泛应用在立体3D影像、激光遥感测绘学、虚拟现实/人机交互、机器人和逆向工程等领域。

PCL中各功能的实现依赖于多个第三方库，分别为Boost库、Eigen库、FLANN库、VTK库、CUDA库、OpenNI、Qhull。PCL的部分主要功能模块如下：I/O，输入/输出模块。该模块能够实现点云数据/文件的获取、读入与存储等操作，通过封装OpenNI兼容的设备原始数据获取接口实现直接读取点云相关信息；kd-tree，空间索引模块。该模块通过类与函数实现利用kd-tree数据结构建立点云的空间拓扑关系，实现基于FLANN第三方库的快速最近邻搜索； octree，空间索引模块。该模块通过类与函数实现利用octree数据结构建立点云的空间拓扑关系，实现基于FLANN第三方库的快速最近邻搜索； 可视化，可视化模块。该模块包含了大量与可视化相关的数据结构与组件，依赖于第三方库VTK，能够对其他模块的处理结果进行直观的展示。

PCL自2011年正式推出以来，在各行业得到广泛应用，随着算法模块的不断优化与完善，截止至2022年PCL库已经发布到1.9.1版本，并完全集成到ROS中。

PCL的结构和内容

如图PCL架构图所示，对于3D点云处理来说，PCL完全是一个的模块化的现代C++模板库。其基于以下第三方库：Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull，实现点云相关的获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。

PCL利用OpenMP、GPU、CUDA等先进高性能计算技术，通过并行化提高程序实时性。K近邻搜索操作的构架是基于FLANN (Fast Library for Approximate Nearest Neighbors)所实现的，速度也是目前技术中最快的。PCL中的所有模块和算法都是通过Boost共享指针来传送数据的，因而避免了多次复制系统中已存在的数据的需要，从0.6版本开始，PCL就已经被移入到Windows，Mac OS和Linux，并且在Android系统也已经开始投入使用，这使得PCL的应用容易移植与多方发布。

从算法的角度，PCL是指纳入了多种操作点云数据的三维处理算法，其中包括：过滤，特征估计，表面重建，模型拟合和分割，定位搜索等。每一套算法都是通过基类进行划分的，试图把贯穿整个流水线处理技术的所有常见功能整合在一起，从而保持了整个算法实现过程中的紧凑和结构清晰，提高代码的重用性、简洁可读。在PCL中一个处理管道的基本接口程序是：

创建处理对象：（例如过滤、特征估计、分割等）；

使用setInputCloud通过输入点云数据，处理模块；

设置算法相关参数；

调用计算（或过滤、分割等）得到输出。

为了进一步简化和开发，PCL被分成一系列较小的代码库，使其模块化，以便能够单独编译使用提高可配置性，特别适用于嵌入式处理中:

libpcl filters：如采样、去除离群点、特征提取、拟合估计等数据实现过滤器；

libpcl features：实现多种三维特征，如曲面法线、曲率、边界点估计、矩不变量、主曲率，PFH和FPFH特征，旋转图像、积分图像，NARF描述子，RIFT，相对标准差，数据强度的筛选等等；

libpcl I/O：实现数据的输入和输出操作，例如点云数据文件（PCD）的读写；

libpcl segmentation：实现聚类提取，如通过采样一致性方法对一系列参数模型（如平面、柱面、球面、直线等）进行模型拟合点云分割提取，提取多边形棱镜内部点云等等；

• libpcl surface：实现表面重建技术，如网格重建、凸包重建、移动最小二乘法平滑等；

libpcl register：实现点云配准方法，如ICP等；

libpclkeypoints：实现不同的关键点的提取方法，这可以用来作为预处理步骤，决定在哪儿提取特征描述符；

libpcl range ：实现支持不同点云数据集生成的范围图像。

为了保证PCL中操作的正确性，上述提到的库中的方法和类包含了单位和回归测试。这套单元测试通常都是由专门的构建部门按需求编译和验证的。当某一部分测试失败时，这些特定部分的各自作者就会立即被告知。这彻底地保证了代码测试过程出现的任何变故，以及新功能或修改都不会破坏PCL中已经存在的代码。