1、点云类型
pcl::PointCloud包含一个域，作为储存点集的容器，这个域是PointT类型的，PointT是基本的点的表现形式，包括PointXYZ、PointXYZRGB、Normal等。PointCloud被定义在point_cloud文件中。
1.1成员变量
points：保存点云的容器，类型为std::vector<PointT>
is_dense：bool类型（true/false）,若点云中的数据都是有限的，则为true,否则为false。
1.2成员函数
points是PointCloud内部存放点集的vector容器，对点的操作都是基于对vector的操作，而PointCloud封装了vector的函数，可以直接对PointCloud调用操作vector的函数，与操作points一样。
2、路面点云的提取方法（一些论文用到的方法）
- 将车载点云数据利用统计学方法生成高度直方图，通过设置高度阈值提取路面点云。
- 根据路面法向量的分布特征，利用迭代模糊聚类算法对路面点云进行提取。
- 利用高度差异对点云数据进行 ＫＮＮ 聚类，并根据路坎参数对提取结果进行优化．此类算法运行效率较低且容易出现分割问题。
- 用深度学习方法对图像进行语义分割，并将语义化的图像与点云数据融合进行粗分类，之后通过霍夫变换和区域生长方法对 点云数据进行细分类，最终精确提取道路点云，但该类方法的语义分割结果受二三维数据融合质量影响较大；
- 构造一种端到端深度学习网络，能够对城市大场景点云数据进行高效准确的语义标 识，但道路等实体目标的提取效果还需要进一步验证；
- 以扫描线为单位对点云数据进行处理，首先利用移动窗口高差对扫描线进行滤波，得到道路区域点云，然后根据高差、点密度和累计坡度三 个特征指标进行路坎点的提取，最后通过优化和跟踪手段提取道路边界。
- 在方法6的基础上建立双向扫描线索引，根据扫描线上不同地物目标的空间分布特征，采用移动动态窗口分类法提取 路面和路边点云。此类方法往往需要顾及多个特征因子，且要求道路具有较为规则的路坎，而在现实情况中，有些道路两侧是草地不存在路坎，以往利用路坎特征的道路提取方法不再适用 。