pcl

PCL（Point Cloud Library）点云库 个人开发环境：Ubuntu18.04

如有疑问，微信：shuangyu_ai

墙裂建议先看下：PCL(Point Cloud Library)学习指南&资料推荐

PCL学习入门指南&代码实践(最新版)入门视频： https://www.bilibili.com/video/BV1HS4y1y7AB

代码对应系列笔记：PCL(Point Cloud Library)学习记录（2023）

PCL微信交流群二维码每周都更新一次，请关注公众号【双愚】后台回复PCL加群

更多自动驾驶相关交流群，欢迎扫码加入：自动驾驶感知(PCL/ROS+DL)：技术交流群汇总(新版)

相关项目实战:

3D-MOT(多目标检测和追踪): https://github.com/HuangCongQing/3D-LIDAR-Multi-Object-Tracking/tree/kitti
- 需要学习ROS：https://github.com/HuangCongQing/ROS

@双愚 , 若fork或star请注明来源

点云数据的处理可以采用获得广泛应用的Point Cloud Library (点云库，PCL库)。

PCL库是一个最初发布于2013年的开源C++库。它实现了大量点云相关的通用算法和高效的数据管理。

支持多种操作系统平台，可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行。如果说OpenCV是2D信息获取与处理的技术结晶，那么PCL在3D信息获取与处理上，就与OpenCV具有同等地位

PCL是BSD授权方式，可以免费进行商业和学术应用。

英文官网：https://pcl.readthedocs.io/projects/tutorials/en/latest/#
- https://pointclouds.org/
GitHub：https://github.com/PointCloudLibrary/pcl
- 学习基于pcl1.9.1：https://github.com/PointCloudLibrary/pcl/tree/pcl-1.9.1

Tips:

ubuntu下使用PCL，需要写CMakeLists.txt文件，然后编译才可以生成可执行文件.
可执行文件在build文件夹下，所以运行可执行文件时，后面添加参数的pcd文件，应放在build文件夹下才能获取到。（注意文件路径）
make -j (-j 自动多线程， -j4 四线程)

目录contents

*建议必学

00base

step1

01common

step2

step3（must）

step4（根据个人需要）

编译过程

mkdir build
cd build
cmake .. // 对上一级进行编译
make  // 生成可执行文件命令
./executedemo  // 运行可执行文件

实战项目

不理解的地方,欢迎提issue: https://github.com/HuangCongQing/pcl-learning/issues

3D-MOT(多目标检测和追踪)
- https://github.com/HuangCongQing/3D-LIDAR-Multi-Object-Tracking/tree/kitti
3D点云目标检测&语义分割-SOTA方法,代码,论文,数据集等
- https://github.com/HuangCongQing/3D-Point-Clouds

Citation

If you find this project useful in your research, please consider cite:

@misc{pcl-learning2020,
    title={A Complete Study Guide on How to Learn PCL (Point Cloud Library).},
    author={Chongqing, Huang},
    howpublished = {\url{https://github.com/HuangCongQing/pcl-learning}},
    year={2020}
}

微信公众号：【双愚】（huang_chongqing）聊科研技术,谈人生思考,欢迎关注~

往期推荐：

License

Licensed under the MIT License.

PLus: 创建了一个知识星球 【自动驾驶感知(PCL/ROS+DL)】 专注于自动驾驶感知领域，包括传统方法(PCL点云库,ROS)和深度学习（目标检测+语义分割）方法。同时涉及Apollo，Autoware(基于ros2)，BEV感知，三维重建，SLAM(视觉+激光雷达) ，模型压缩（蒸馏+剪枝+量化等），自动驾驶模拟仿真，自动驾驶数据集标注&数据闭环等自动驾驶全栈技术，欢迎扫码二维码加入，一起登顶自动驾驶的高峰！

最后，如果您想要支持我的工作，请扫描下面的二维码

HuangCongQing/pcl-learning

HuangCongQing

Reviews

Repository Details

pcl