PCL的潛在應用領域
前面講述了，在這麼短時間，如此多的組織個人和公司加入到PCL開源項目中來，爲什麼？PCL能解決什麼問題呢？
機器人領域
移動機器人對其工作環境的有效感知、辨識與認知，是其進行自主行爲優化並可靠完成所承擔任務的前提和基礎。如何實現場景中物體的有效分類與識別是移動機器人場景認知的核心問題，目前基於視覺圖像處理技術來進行場景的認知是該領域的重要方法。但移動機器人在線獲取的視覺圖像質量受光線變化影響較大，特別是在光線較暗的場景更難以應用，隨着RGBD獲取設備的大量推廣，在機器人領域勢必掀起一股深度信息結合2D信息的應用研究熱潮，深度信息的引入能夠使機器人更好地對環境進行認知、辨識，與圖像信息在機器人領域的應用一樣，需要強大智能軟件算法支撐，PCL就爲此而生，最重要的是PCL本身就是爲機器人而發起的開源項目，PCL中不僅提供了對現有的RGBD信息的獲取設備的支持，還提供了高效的分割、特徵提取、識別、追蹤等最新的算法，最重要的是它可以移植到android、ubuntu等主流Linux平臺上，PCL無疑將會成爲機器人應用領域一把瑞士軍刀。
CAD/CAM、逆向工程
大部分工業產品是根據二維或三維CAD模型製造而成，但有時因爲數據丟失、設計多次更改、實物引進等原因，產品的幾何模型無法獲得，因而常常需要根據現有產品實物生成物體幾何模型。逆向工程技術能夠對產品實物進行測繪，重構產品表面三維幾何模型，生成產品製造所需的數字化文檔。在一些工業領域，如汽車製造業，許多零件的幾何模型都通過逆向工程由油泥模型或實物零件獲得，目前在CAD/CAM領域利用激光點雲進行高精度測量與重建成爲趨勢，同時引來了新的問題，通過獲取的海量點雲數據，來提取重建模型的幾何參數，或者形狀模型，對模型進行智能檢索，從點雲數據獲取模型的曲面模型等，諸如此類的問題解決方案在PCL中都有涉及。例如kdtree和octree對海量點雲進行高效壓縮存儲與管理，其中濾波、配準、特徵描述與提前基礎處理，可以應用於模型的智能檢索，以及後期的曲面重建和可視化都在PCL中有相應的模塊。總之，三維點雲數據的處理是逆向工程中比較重要的一環，PCL中間所有的模塊正是爲此而生的。
激光遙感測量
能夠直接獲取高精度三維地面點數據，是對傳統測量技術在高程數據獲取及自動化快速處理方面的重要技術補充。激光遙感測量系統在地形測繪、環境檢測、三維城市建模、地球科學、行星科學等諸多領域具有廣泛的發展前景，是目前最先進的能實時獲取地形表面三維空間信息和影像的遙感系統。目前，在各種提取地面點的算法中，算法結果與世界結果之間差別較大，違背了實際情況，PCL中強大的模塊可以助力此處的各種需求。
虛擬現實、人機交互
虛擬現實技術（簡稱VR），又稱靈境技術，是以沉浸性、交互性和構想性爲基本特徵的計算機高級人機界面。它綜合利用了計算機圖形學、仿真技術、多媒體技術、人工智能技術、計算機網絡技術、並行處理技術和多傳感器技術，模擬人的視覺、聽覺、觸覺等感覺器官功能，使人能夠沉浸在計算機生成的虛擬境界中，並能夠通過語言、手勢等自然的方式與之進行實時交互，創建了一種適人化的多維信息空間，具有廣闊的應用前景。目前各種交互式體感應用的推出，讓虛擬現實與人機交互發展非常迅速，以微軟、華碩、三星等爲例，目前諸多公司推出的RGBD解決方案，勢必會讓虛擬現實走出實驗室，因爲現有的RGBD設備已經開始大量推向市場，只是缺少，其他應用的跟進，這正是在爲虛擬現實和人機交互應用鑄造生態鏈的底部，筆者認爲這也正是PCL爲何在此時才把自己與世人分享的重要原因所在，它將是基於RGBD設備的虛擬現實和人機交互應用生態鏈中最重要的一個環節。讓我們抓住這一個節點，立足於交互式應用的一片小天地，但願本書來的不是太遲。
PCL在中國
PCL雖然在國際上，有如此多的組織和公司參與，由於發展如此迅速，目前在google中檢索出中文相關的PCL探討，有且只有一條，當然這也是筆者出書原因之一了，事實上，如圖1.2所示，在全球範圍內，唯獨在中國的版塊上，沒有參與組織，這裏希望廣大讀者，可以爲中國板塊上添加一個小旗幟。當然，肯定有科研工作者的在應用或者學習PCL了，筆者依託於中國農業大學、農業部信息獲取重點實驗室，在與創始人Ruda博士交流後，深感PCL在複雜的農業對象中有不可估量的作用，例如對動植物的重建測度、果蔬等分級檢測等應用領域，決定把PCL作爲基礎研究平臺來開展實際應用。同時用學習筆記撰寫了本書，把PCL與國人分享，相信在不久的將來，與2D信息處理庫OpenCV一樣，中國將是PCL最大的用戶和貢獻者基地。
PCL的結構和內容
如圖3PCL架構圖所示，對於3D點雲處理來說，PCL完全是一個的模塊化的現代C++模板庫。其基於以下第三方庫：Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull，實現點雲相關的獲取、濾波、分割、配準、檢索、特徵提取、識別、追蹤、曲面重建、可視化等。
PCL利用OpenMP、GPU、CUDA等先進高性能計算技術，通過並行化提高程序實時性。K近鄰搜索操作的構架是基於FLANN (Fast Library for Approximate Nearest Neighbors)所實現的，速度也是目前技術中最快的。PCL中的所有模塊和算法都是通過Boost共享指針來傳送數據的，因而避免了多次複製系統中已存在的數據的需要，從0.6版本開始，PCL就已經被移入到Windows，MacOS和Linux系統，並且在Android系統也已經開始投入使用，這使得PCL的應用容易移植與多方發佈。
圖3 PCL架構圖
從算法的角度，PCL是指納入了多種操作點雲數據的三維處理算法，其中包括：過濾，特徵估計，表面重建，模型擬合和分割，定位搜索等。每一套算法都是通過基類進行劃分的，試圖把貫穿整個流水線處理技術的所有常見功能整合在一起，從而保持了整個算法實現過程中的緊湊和結構清晰，提高代碼的重用性、簡潔可讀。在PCL中一個處理管道的基本接口程序是：
創建處理對象：（例如過濾、特徵估計、分割等）;
使用setInputCloud通過輸入點雲數據，處理模塊;
設置算法相關參數;
調用計算（或過濾、分割等）得到輸出。
爲了進一步簡化和開發，PCL被分成一系列較小的代碼庫，使其模塊化，以便能夠單獨編譯使用提高可配置性，特別適用於嵌入式處理中:
libpcl filters：如採樣、去除離羣點、特徵提取、擬合估計等數據實現過濾器；
libpcl features：實現多種三維特徵，如曲面法線、曲率、邊界點估計、矩不變量、主曲率，PFH和FPFH特徵，旋轉圖像、積分圖像，NARF描述子，RIFT，相對標準偏差，數據強度的篩選等等；
libpcl I/O：實現數據的輸入和輸出操作，例如點雲數據文件（PCD）的讀寫；
libpcl segmentation：實現聚類提取，如通過採樣一致性方法對一系列參數模型（如平面、柱面、球面、直線等）進行模型擬合點雲分割提取，提取多邊形棱鏡內部點雲等等；
libpcl surface：實現表面重建技術，如網格重建、凸包重建、移動最小二乘法平滑等；
libpcl register：實現點雲配準方法，如ICP等；
libpclkeypoints：實現不同的關鍵點的提取方法，這可以用來作爲預處理步驟，決定在哪兒提取特徵描述符；
libpcl range ：實現支持不同點雲數據集生成的範圍圖像。
爲了保證PCL中操作的正確性，上述提到的庫中的方法和類包含了單位和迴歸測試。這套單元測試通常都是由專門的構建部門按需求編譯和驗證的。當某一部分測試失敗時，這些特定部分的各自作者就會立即被告知。這徹底地保證了代碼測試過程出現的任何變故，以及新功能或修改都不會破壞PCL中已經存在的代碼。