3. 点云数据基础
点云是三维感知系统最原始、最通用的数据形态。无论是激光雷达扫描、结构光重建，还是多视图立体匹配，最终都会落到一组离散的三维点上。理解点云的表示方式、存储格式、邻域关系与法向量估计，是后续配准、滤波、分割与融合的前提。本节从数据结构出发，逐步过渡到几何属性计算与工程工具链。
一、点云的表示：从无序集合到有序结构
最基础的点云表示是一个 N×3 的浮点矩阵，每行对应一个点的 (x, y, z) 坐标。若携带强度、颜色、法向量或时间戳，则扩展为 N×(3+k) 的属性矩阵。这种表示称为无序点云，点与点之间没有拓扑连接，顺序也不携带几何含义。
当点云来自深度相机或激光雷达的规则扫描时，可以保留其成像结构，形成有序点云（organized point cloud）。例如深度图对应的点云可视为 H×W 的二维网格，每个像素位置对应一个三维点。有序点云的优势在于邻域查询可以直接通过行列索引完成，无需构建空间索引，速度极快；缺点是对遮挡和无效深度敏感，且不适用于任意来源的点云。
此外，点云还可以附加多种属性：反射强度（intensity）、RGB 颜色、法向量（normal）、曲率（curvature）、标签（label）等。这些属性在分割、分类和配准中往往比坐标本身更具判别力。
二、存储格式：PCD、PLY、LAS 与二进制取舍
点云存储格式众多，选择时需权衡可读性、体积、属性支持与生态兼容性。下表对比几种常见格式：
| 格式 | 类型 | 属性支持 | 典型场景 |
|---|---|---|---|
| PCD | ASCII / Binary / BinaryCompressed | xyz、强度、RGB、法向量、自定义字段 | PCL 生态、算法调试 |
| PLY | ASCII / Binary | xyz、颜色、法向量、面片 | 三维重建、网格与点云混合 |
| LAS / LAZ | Binary（LAZ 压缩） | xyz、强度、回波、分类、GPS 时间 | 测绘、机载激光雷达 |
| BIN | Binary | 通常为 xyz + 强度 | KITTI 等自动驾驶数据集 |
| CSV / TXT | ASCII | 仅坐标或简单属性 | 快速交换、小规模数据 |
工程中常见的误区是：为了“方便查看”而全部使用 ASCII 格式。实际上，百万级点云的 ASCII 文件体积可达二进制的 3～5 倍，读写速度也显著更慢。建议在算法内部使用二进制或压缩格式，仅在调试和交换时导出 ASCII。
FIELDS、SIZE、TYPE、COUNT 四个字段共同描述了每个点的内存布局。读取自定义点云时，务必先解析文件头，否则会出现属性错位。三、邻域关系：KNN 与半径搜索
点云没有显式的连接关系，因此“邻域”必须通过几何距离定义。最常用的两种查询是：
- K 近邻（KNN）：给定查询点，返回距离最近的 K 个点。K 固定，邻域大小随密度变化。
- 半径搜索（Radius Search）：返回距离小于 r 的所有点。半径固定，邻域点数随密度变化。
直接暴力搜索的复杂度为 O(N²)，无法接受。实际系统普遍采用KD-Tree或Octree建立空间索引，将查询复杂度降到 O(log N) 量级。KD-Tree 适合低维、静态点云；Octree 更适合动态更新和体素化操作。
邻域选择直接影响后续法向量、曲率和特征描述子的质量。K 太小，法向量对噪声敏感；K 太大，会跨越几何边缘，导致法向量被“平均”掉。经验上，K 取 10～30，或半径取点云平均间距的 2～3 倍，是较稳健的起点。
四、法向量估计：PCA 与方向一致性
法向量描述局部表面的朝向，是点云配准、分割和渲染的核心属性。最常用的估计方法是主成分分析（PCA）：对查询点的邻域点集去质心后计算协方差矩阵，其特征值最小的特征向量即为法向量方向。
设邻域点集为 {p₁, …, p_k}，质心为 p̄，协方差矩阵为：
C = (1/k) Σ (p_i - p̄)(p_i - p̄)^T对 C 做特征分解，得到三个特征值 λ₀ ≤ λ₁ ≤ λ₂ 及对应特征向量。λ₀ 对应的特征向量即法向量；曲率可近似为 λ₀ / (λ₀+λ₁+λ₂)。
PCA 得到的法向量存在符号二义性：n 与 -n 都满足几何条件。解决方法是统一朝向视点或传感器原点，即若 n·(viewpoint - p) < 0，则翻转 n。多视角融合时，还需在配准后重新统一法向量方向。
五、常见开源库与工具链
点云处理生态中，以下几个库最为常用：
- PCL（Point Cloud Library）：C++ 点云算法库，覆盖滤波、配准、分割、特征、可视化，是点云领域的“标准库”。
- Open3D：Python/C++ 双接口，API 简洁，适合快速原型与教学，内置法向量估计、ICP、体素下采样等。
- PDAL：面向激光雷达数据管道的工具，擅长 LAS/LAZ 处理与坐标转换。
- LASzip / LAStools：LAS/LAZ 压缩与批处理工具链。
- PyTorch3D / MinkowskiEngine：面向深度学习的点云与稀疏卷积框架。
下面是一个使用 Open3D 读取点云、估计法向量并保存的典型流程：
import open3d as o3d
pcd = o3d.io.read_point_cloud("scene.pcd")
pcd = pcd.voxel_down_sample(voxel_size=0.02)
pcd.estimate_normals(
search_param=o3d.geometry.KDTreeSearchParamHybrid(
radius=0.1, max_nn=30))
pcd.orient_normals_towards_camera_location(
camera_location=[0, 0, 0])
o3d.io.write_point_cloud("scene_normals.pcd", pcd)该流程体现了本节的核心链路：读取 → 下采样 → 邻域查询 → 法向量估计 → 方向统一 → 写出。每一步的参数都会影响最终几何质量，实际项目中应结合点云密度和噪声水平反复调试。
掌握上述五个环节后，点云就不再是“一堆散点”，而是一个可索引、可计算、可交换的几何数据结构。后续的配准、分割与融合，都建立在这些基础操作之上。