cilantro
轻量级 C++ 点云处理库，提供 KD-Tree、ICP 配准、谱聚类、RANSAC 等高效算法
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
轻量级 C++ 点云处理库，提供 KD-Tree、ICP 配准、谱聚类、RANSAC 等高效算法
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：cilantro 项目标志
清晨，一台物流分拣机器人在仓库中穿梭。它的激光雷达每秒向周围发射数千束红外光，每束光反射回来后形成密密麻麻的 3D 坐标点——这就是点云（Point Cloud）。机器人需要用这些点云完成两件事：理解仓库的三维结构（建图），以及判断前方障碍物的位置（感知）。这背后，一套高效、可靠的点云处理算法至关重要。
cilantro（中文意为"香菜"，一种常见香料）正是为这类场景而生的 C++ 库：由希腊学者 Konstantinos Zampogiannis 主导开发（隶属于马里兰大学计算机科学实验室），发表在 ACM MM 2018 国际会议上。它专注于点云数据的快速处理，代码精简高效，在 GitHub 已积累超过 1129 颗星，被广泛应用于机器人导航、自动驾驶、3D 重建等领域。
点云是 3D 感知最基础的数据格式，来源包括 LiDAR、深度相机（RGB-D）、Photogrammetry（多视图重建）等。相比 2D 图像，点云数据具有三个显著特点：
处理这些数据需要一套不同于传统图像处理的算法体系。常见的开源方案有 PCL (Point Cloud Library) 功能最全面但体积庞大、依赖复杂；Open3D 较为现代但以 Python 为先；cilantro 填补了"轻量 + 高效 + 纯 C++"这一空白，适合需要深度集成到嵌入式系统或实时应用中的开发者。
cilantro 实现了通用维度的 KD-Tree（使用内嵌的 nanoflann 库），可在毫秒级完成最近邻搜索。在此基础上，库支持从原始点云鲁棒估计表面法向量和曲率——这是许多下游任务（如点云配准、表面重建）的基石。
此外还内置了：
图2：凸多面体表示与空间区域布尔运算（来源：项目文档）
cilantro 提供了通用维度的凸多面体（Convex Polytope）表示，支持两种输入模式：顶点输入和半空间交集输入，并能自由切换表达方式。底层调用 Qhull 库计算，支持任意维度。
更进一步，项目实现了空间区域（Space Region）——将凸多面体的并集作为复杂空间形状的表示，并支持集合运算（交集、并集、差集）。这在机器人路径规划、碰撞检测等场景中有直接应用。
cilantro 实现了四种通用维度聚类算法：
| 算法 | 特点 | 适用场景 |
|---|---|---|
| K-Means | 支持 nanoflann 支持的所有距离度量（欧氏、马氏、曼哈顿等） | 快速粗分 |
| 谱聚类 (Spectral) | 基于多种图拉普拉斯矩阵，精度高 | 形状分割、语义聚类 |
| Mean-Shift | 无需预设类别数，支持自定义核函数 | 密度估计 |
| 连通分量 (Connected Components) | 支持任意点级相似度函数 | 表面块分割 |
谱聚类和 Mean-Shift 的特征值分解依赖内嵌的 Spectra 库——这是一个专为稀疏矩阵设计的轻量级特征值求解器，比 ARPACK 更加易用。
图3：基于连通分量的点云分割（来源：项目文档）
点云配准（Registration）是 3D 重建和 SLAM 的核心步骤，其目标是找到两个点云之间的最优变换（旋转+平移），使它们对齐。cilantro 的 ICP 实现极具灵活性：
更亮眼的是非刚性配准（Non-Rigid ICP）模块——允许点云通过局部刚性或局部仿射的形变场对齐：
图4：刚性与非刚性点云融合（来源：项目文档）
图5：嵌入变形图驱动的非刚性配准（来源：项目文档）
内置两种形变场表示：密集形变场（Dense Warp Field）和稀疏嵌入变形图（Embedded Deformation Graph），后者尤其适合大型点云的实时配准。
cilantro 提供了通用的 RANSAC（Random Sample Consensus）估计器模板，已预置两种实例化：
开发者可基于模板轻松扩展自定义模型（如球体、圆柱、平面参数模型）。
cilantro 内置基于 Pangolin 的 3D 可视化器，支持：
Pangolin 为可选依赖，未安装时核心算法库仍可正常编译使用。
cilantro 的设计哲学是**"一次编写，随处运行"**——通过 C++ 模板元编程实现类型和维度的完全参数化：
// 任意维度的 KD-Tree（2D、3D、4D……均适用）
KDTree<double, 3> tree(point_cloud_matrix);
// 任意维度的 PCA
PrincipalComponentAnalysis<double, 3> pca(points);
核心依赖：
编译优化：CMakeLists.txt 默认开启 -O3 -march=native -mtune=native，编译时自动适配本机 CPU 指令集（AVX2/AVX512 等），性能接近手工优化。
git clone https://github.com/kzampog/cilantro.git
cd cilantro && mkdir build && cd build
cmake ..
make -j$(nproc)
核心库编译约 1-2 分钟（视编译器性能而定）。如需示例程序和 3D 可视化，需提前安装 Pangolin（Ubuntu 下：apt install libpangolin-dev）。
项目自带 20+ 个示例，涵盖所有主要功能，编译后位于 build/examples/：
# 法向量估计
./examples/normal_estimation ../examples/test_clouds/sample_cloud.ply
# ICP 刚性配准
./examples/rigid_icp ../examples/test_clouds/sample_cloud.ply
# K-Means 聚类
./examples/kmeans ../examples/test_clouds/sample_cloud.ply
# 交互式 3D 可视化
./examples/visualizer ../examples/test_clouds/sample_cloud.ply
每个示例代码量在 100-300 行之间，配合 README 说明文档，上手门槛较低。
cilantro 的出现填补了一个务实的需求空白：在需要将点云处理深度集成到 C++ 项目中时，PCL 太重、Python 生态不够实时，而 cilantro 恰好落在"轻量 + 功能完整 + 性能优秀"的甜蜜点。
从 GitHub 趋势来看，3D 感知（LiDAR、深度相机、NeRF）在自动驾驶、机器人、AR/VR 领域的爆发式增长持续推动着点云处理工具的需求。cilantro 的模块化设计使其可以按需引入——只需聚类功能？只需配准功能？——避免了全量依赖 PCL 带来的体积膨胀。
如在学术研究中使用 cilantro，请引用其技术报告：
Zampogiannis, K., Fermuller, C., & Aloimonos, Y. (2018). cilantro: A Lean, Versatile, and Efficient Library for Point Cloud Data Processing. ACM MM '18. DOI: 10.1145/3240508.3243655