PCL的MLS（移动最小二乘法）平滑效果调节

虽然PCL把MLS（移动最小二乘法）放在Surface类下，但是通过工程师的使用经验发现，MLS对点云数据进行处理后，输出的点云表面更加平滑了，可以对一些离群的噪点进行过滤，类似Filter的作用。

采集一组经过拼接后的人脸点云数据，原数据存在一些噪点。原数据以及经过MLS平滑处理过的点云数据，再经过泊松曲面重建如下。通过对比可以展示这种平滑调节效果。此类由基类CloudSurfaceProcessing派生，生成对象的方式也很简单，如下：

pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;

其成员函数inline void setSearchRadius(double radius)  拟合半径。在这个半径里进行表面映射和曲面拟合。从测试结果可知：半径越小拟合后曲面的失真度越小，反之有可能出现过拟合的现象。

对原数据进行泊松曲面重建

对原数据直接进行泊松曲面重建，由于数据噪声，人脸表面不够平滑。

对经过MLS处理后的点云数据进行泊松曲面重建（MLS拟合半径3.5mm）对原数据进行MLS处理，拟合半径3.5mm，再进行泊松曲面重建。经过处理，人脸表面平滑了一些。

对经过MLS处理后的点云数据进行泊松曲面重建（MLS拟合半径6.0mm）对原数据进行MLS处理，拟合半径6.0mm，再进行泊松曲面重建。经过处理，人脸表面平滑了很多，以至于有较大程度的失真。

可见，MLS对点云进行处理，可以对表面进行平滑，去除离群噪点，同时也会产生一定程度的失真。