接着上一篇的介紹繼續
關于在使用readHeader函數讀取點雲資料頭的類型的代碼（Read a point cloud data header from a PCD file.）
檢視PCD檔案裡的内容（其實對于如何生成這種高緯度的檔案呢？）
另外一種PCD檔案的比如VFH的PCD檔案
那麼接下來我們就可以使用PCL給定的資料集，以及FLANN的庫是實作對點雲的識别，方法是按照（1）的思路來做的
首先我們是假設已經有了資料集，以及相應每個資料集的VFH全局表述子的PCD檔案，這樣我們就可以使用（1）中的思路把資料集訓練并儲存到數中，友善之後我們再輸入給定的點雲的VFH的PCD檔案進行查找
那麼其實這裡面，我們如果是自己生成資料集，并對每個資料生成對應的VFH檔案就會有點難度，畢竟這是對采集到的資料，對于一些無關點雲需要剔除，
然後對有用的有價值的點雲資料進行聚類，以及各個角度的點雲聚類，然後對聚類的對象生成對應的VFH的特征PCD檔案，這就是大緻思路，
那麼我們來看一下源代碼是如何讀取并訓練資料源的，并生成可用于FLANN使用的檔案，并存在磁盤中
源代碼分析如下
這裡面就很明顯的生成了兩個可用于FLANN進行搜尋比對的檔案，以及模型的名稱的清單，就是會生成以下三個檔案
kdtree.idx（這個是kdtree模型的索引）
training_data.h5（用于FLANN庫中的一種高效的檔案格式，上一章有介紹）,
training_data.list（這是訓練資料集的清單）
（2）那麼對于已經生成好的點雲的資料集，我們就需要使用寫一個程式來實作給定一個點雲的VFH的PCD檔案來尋找這個點雲所在位置并且是什麼角度拍照的結果，閑話少說明，直接就上程式
這裡面就涉及到FLANN的庫的函數的使用,執行的結果
列印的結果，這裡面會顯示最接近的六個資料集，并且計算這六個最近點雲與給定點雲之間的“距離”，這也是衡量兩者之間的相似度的大小
可視化的結果
很明顯左下角就是我們給定的資料點雲，而且運作查找的速度非常快～
好了就這樣了
關注微信公衆号，歡迎大家的無私分享