作用

对点云数据进行组织，建立树形数据结构，用于对点云进行高效的近邻搜索等（如进行K最近邻搜索、半径内邻域搜索）

概念

K维树，是在计算机科学领域用于组织在K维空间中数据点（一个点由K个变量表示）的数据结构（点云中的K维树其实就是3维树，其数据就三个维度，也就是传感器坐标系下的XYZ位置），它是一种带有额外限制的二叉搜索树。K维树在范围搜索以及近邻搜索中很有用。K维树的每一层，将会沿着某一特定维度的超平面切分所有子节点，每个父节点下的所有子节点将会被分成两部分（所以说K维树其实就是二叉搜索树）。下面将详细阐述一下K维树的切分过程，为了形象，我们点云中的3维树为例：在点云中，每个数据点有3各维度数据，故而为了对点云数据进行有效组织，我们应该建立三维树。在根节点处，我们首先可以在X维度依据一定的规则对所有子节点进行划分，然后在下一层，可以在Y维度对数据进行划分（当然也可以是在Z维度），最后在剩下的一个维度进行划分即可，在KD树的划分规则中，最有效的划分方式就是依据中值进行划分。
下图展示了一个二维KD树的例子：

代码

#include <pcl/point_cloud.h>
#include <pcl/kdtree/kdtree_flann.h>

#include <iostream>
#include <vector>
#include <ctime>


int main(int argc, char** argv)
{
	srand(time(NULL));    //防止每次出现的随机数都是一样的
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);    //创建一个指向点云的指针
     /**************************生成点云方法1**************************/
	//初始化点云相关变量
	cloud->width = 1000;    
	cloud->height = 1;  //说明是无序点云
	cloud->points.resize(cloud->width* cloud->height);  //点云的点数

	//生成点云
	for (std::size_t t = 0; t < cloud->size(); t++)
	{
		cloud->points[t].x = 1024.0f * rand() / (RAND_MAX + 1.0f);
		cloud->points[t].y = 1024.0f * rand() / (RAND_MAX + 1.0f);
		cloud->points[t].z = 1024.0f * rand() / (RAND_MAX + 1.0f);
	}
	/****************************生成点云方法2*************************/
	pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_1(new pcl::PointCloud<pcl::PointXYZ>);
	pcl::PointXYZ point;
	for (std::size_t t = 0; t < 1000; t++)
	{
		point.x = 1024.0f * rand() / (RAND_MAX + 1.0f);
		point.y = 1024.0f * rand() / (RAND_MAX + 1.0f);
		point.z = 1024.0f * rand() / (RAND_MAX + 1.0f);
		cloud_1->push_back(point);       //采用push_back添加点进而生成点云
	}
	//创建KD-Tree实例
	pcl::KdTreeFLANN<pcl::PointXYZ> kdtree;
	kdtree.setInputCloud(cloud);
	//随机初始化一个查找点
	pcl::PointXYZ searchPoint; 

	searchPoint.x = 1024.0f * rand() / (RAND_MAX + 1.0f);
	searchPoint.y = 1024.0f * rand() / (RAND_MAX + 1.0f);
	searchPoint.z = 1024.0f * rand() / (RAND_MAX + 1.0f);
	int K = 10;
	std::vector<int> pointIdxNKNSearch(K);    //创建一个含有K个元素的Vector变量，用于存储点的索引
	std::vector<float> pointNKNSquaredDistance(K); //创建一个含有K个元素的Vector变量，用于存储到目标点的距离
	std::cout << "K nearest neighbor search at (" << searchPoint.x
		<< " " << searchPoint.y
		<< " " << searchPoint.z
		<< ") with K=" << K << std::endl;
	if (kdtree.nearestKSearch(searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0) //这个函数会把索引存在pointIdxNKNSearch中
	{
		for (std::size_t i = 0; i < pointIdxNKNSearch.size(); ++i)
			std::cout << "    " << (*cloud)[pointIdxNKNSearch[i]].x
			<< " " << (*cloud)[pointIdxNKNSearch[i]].y
			<< " " << (*cloud)[pointIdxNKNSearch[i]].z
			<< " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;
	}
	// Neighbors within radius search

	std::vector<int> pointIdxRadiusSearch;
	std::vector<float> pointRadiusSquaredDistance;

	float radius = 256.0f * rand() / (RAND_MAX + 1.0f);

	std::cout << "Neighbors within radius search at (" << searchPoint.x
		<< " " << searchPoint.y
		<< " " << searchPoint.z
		<< ") with radius=" << radius << std::endl;


	if (kdtree.radiusSearch(searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0)
	{
		for (std::size_t i = 0; i < pointIdxRadiusSearch.size(); ++i)
			std::cout << "    " << (*cloud)[pointIdxRadiusSearch[i]].x
			<< " " << (*cloud)[pointIdxRadiusSearch[i]].y
			<< " " << (*cloud)[pointIdxRadiusSearch[i]].z
			<< " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
	}
	return 0;

}