PCL（Point Cloud Library， 点云库）是一个大型跨平台开源C++编程库，实现了大量点云相关的通用算法和高效数据结构。
PCL是BSD授权方式，可以免费进行商业和学术的应用。
包含模块
- 分割 (Segmentation)
- 特征描述与提取 (Features)
- 可视化 (Visualization)
- 曲面重建 (Surface)
- 识别 (Recognition)
- 检索 (Search)
- 配准 (Registration)
- 关键点 (Keypoints)
- 滤波 (Filters)
- 采样一致性 (Sample consensus)
- 八叉树 (octree)
- 通用模块 (common)
- 输入输出 (IO)
- k维树 (kdtree)
适用平台
- 普通多核或单核计算机（x86…）
- 嵌入式专用系统（ARM …）
- RGBD及其他点云获取设备
- GPU
kdtree, octree
三维测量设备获取的点云数据，具有数据量大、分布不均匀等特点。作为三维领域里面另一个重要的数据来源，点云数据主要是表征目标表面的海量点集合，并不具备传统实体网格数据的几何拓扑信息。点云数据处理中最为核心的问题就是建立离散点间的拓扑关系，实现基于领域关系的快速查找。
建立空间索引在点云数据处理中被广泛应用，而这些结构中，k-d tree和八叉树在3D点云数据组织中的应用较为广泛。PCL对八叉树的数据结构建立和索引方法进行了实现，以方便在此基础上的其他点云处理操作。
Filters
在获取点云数据时，由于环境等因素带来的影响，以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据将不可避免地出现一些噪声点。
实际应用中，除了测量随机误差产生的噪声点之外，由于受到外界干扰如视线遮挡、障碍物等因素的影响，点云数据中往往存在着一些离主体点云（即被测物体点云）较远的离散点，即离群点，不同的获取设备点云噪声结构也有不同，其它可以通过滤波重采样完成的工作，有空洞修复、信息损失最小海量点云数据压缩处理等。
在点云处理流程中，滤波处理作为预处理的第一步，往往对后续处理管道影响很大，只有在滤波预处理中将噪声点、离群点、孔洞、数据压缩等按照后续处理定制，才能够更好地进行配准等后续应用处理。
PCL中点云滤波模块提供了很多灵活实用的滤波处理算法，例如双边滤波、高斯滤波、条件滤波、直通滤波、基于随机采样一致性滤波等，关键的滤波模块是作为PCL的一个处理成员模块，其在应用中与其它点云处理流程集成。
Keypoints
关键点也称为兴趣点，它是2D图像、3D点云或曲面模型上，可以通过定义检测标注来获取的具有稳定性、区别性的点集。
从技术上来说，关键点的数量相比与原始点云或图像的数据量小很多，它与局部特征描述子结合在一起，组成关键点描述子，常用来形成原始数据的紧凑表示，而且不失代表性与描述性，从而可以加快后续识别、追踪等对数据的处理速度。关键点提取是2D与3D信息处理中不可或缺的关键技术。
Sample consensus
在CV领域广泛应用各种不同的采样一致性参数估计算法，用于排除错误的样本，样本不同，对应的应用则不同，例如剔除错误的配准点对，分割出处在模型上的点集等。
PCL中以随机采样一致性算法（RANSAC）为核心，同时实现了五种类似于随机采样一致性估计（RANSAC）、最大似然一致性估计（MLESAC）、最大中值方差一致性估计（LMEDS）等，所有的估计参数算法都符合一致性准则。
Features
3D点云特征描述与提取是点云信息处理中最基础也是最关键的一部分，点云的识别、分割、重采样、配准、曲面重建等处理的大部分算法，都严重依赖特征描述与提取的结果。
从尺度上来分，一般分为局部特征描述和全局特征描述，例如局部的法线等几何形状特征的描述，全局的拓扑特征描述，都属于3D点云特征描述与提取范畴。
在PCL中，目前已有很多基本的特征描述子与提取算法。
Registration
在逆向工程、CV、文物数字化等领域中，由于点云的不完整、旋转错位、平移错位等，使得要得到完整点云就需对局部点云就需对点云进行配准。
为了得到被测物体的完整数据模型，需要确定一个合适的坐标变换，将从各个视角得到的点集合并到一个统一的坐标系下，形成一个完整的数据点云，然后就可以方便地进行可视化等操作，这就是点云数据的配准。
点云自动配准有手动配准、依赖仪器的配准和自动配准。通常我们所说的点云配准技术即是指自动配准。
点云自动配准技术是通过一定的算法或者统计学规律，利用计算机计算两块点云之间的错位，从而达到把两片点云配准的效果。其实质是把在不同的坐标系中测量得到的数据点云进行坐标变换，以得到整体的数据模型。问题的关键是如何求得坐标变换参数R（旋转矩阵）和T（变换向量），使得两视角下测得的三维数据经坐标转换后的距离最小。
目前，配准算法按照实现过程可以分为整体配准和局部配准。
PCL中有单独的配准模块，实现了相关的基础数据结构与经典配准算法如ICP等，以及配准过程中的对应点估计、错误对应点去除等流程。配准的关键技术设计关键点选取、与特征描述与提取两部分。
Surface
曲面重建技术在逆向工程、数据可视化、机器视觉、虚拟现实、医疗技术等领域中得到了广泛的应用。
根据重建曲面和数据点云之间的关系可将曲面重建分为两大类：插值法和逼近法。前者得到的重建曲面完全通过原始数据点，而后者则是用分片线性曲面或其它形式的曲面来逼近原始数据点，从而使得产生的重建曲面是原始点集的一个逼近。而根据重建曲面的表现形式不同又可以将它分为以下五种：参数曲面重建、隐式曲面重建、变形曲面重建、细分曲面重建和分片线性曲面重建。
PCL中目前实现了基于点云的曲面重建模块框架，在此基础上进一步实现了比较基础的泊松重建、MC重建、Ear Clipping等算法。
Reference
《点云库PCL从入门到精通》