📚 课程目录第4章点云预处理

4. 点云预处理

原始点云从激光雷达、深度相机或结构光设备输出后，往往不能直接送入配准与融合模块。它通常带有测量噪声、密度不均、离群点、地面点以及数量庞大的冗余点。若跳过预处理，配准算法会因错误对应点而收敛到错误位姿，融合结果也会出现重影与拖尾。因此，点云预处理是三维感知流水线中决定后续精度与实时性的关键环节。

预处理的核心目标可以概括为四句话：去噪保形、降采样保特征、剔离群保对应、分地面保目标。它并不是简单“清洗数据”，而是在精度、速度与几何保真之间做权衡。

一、核心原理：为什么必须做预处理

点云配准依赖点与点之间的对应关系。噪声点会让法向量估计产生偏差，离群点会制造虚假对应，地面点会在配准时把两帧“拉平”而掩盖真实运动，点云密度过高则会让最近邻搜索耗时急剧上升。预处理正是从这四个方向降低配准的歧义性。

从信号角度看，点云是三维空间中的离散采样。滤波去噪相当于抑制高频测量噪声；下采样相当于降低采样率但保留几何骨架；离群点去除相当于剔除不符合局部统计规律的异常样本；地面分割相当于按语义把点云分成“支撑面”和“目标体”两类。四者顺序不同，效果差异明显。

二、方法流程：四步预处理的标准顺序

工程上推荐的处理顺序是：先粗去噪，再下采样，然后离群点去除，最后地面分割。原因在于：先下采样能显著降低后续统计滤波与 RANSAC 的计算量；而离群点去除放在下采样之后，可以避免稀疏区域被误删；地面分割放在最后，是因为它需要相对干净且密度均匀的点云来拟合平面。

滤波去噪：体素栅格滤波用体素内点云质心代替全部点，既降噪又降采样；统计滤波计算每个点到 k 个近邻的平均距离，剔除超出全局均值加 σ 倍标准差的点。
下采样：体素降采样最常用，通过设置体素边长控制输出密度；对特征敏感的场景可用曲率采样，在边缘与角点保留更多点。
离群点去除：统计离群点去除（SOR）适合去除稀疏噪声；半径离群点去除（ROR）适合去除孤立飞点，二者常组合使用。
地面分割：RANSAC 拟合最大平面作为地面，结合法向量与高度阈值剔除地面点，保留墙面、车辆、行人等目标点。

三、代码实操：PCL 风格预处理片段

下面以 PCL 风格伪代码展示一条完整预处理链，参数需按传感器型号与场景尺度调整：

// 1. 体素栅格滤波：降噪 + 降采样
pcl::VoxelGrid<PointT> vg;
vg.setInputCloud(cloud_in);
vg.setLeafSize(0.10f, 0.10f, 0.10f);   // 10cm 体素
vg.filter(*cloud_voxel);

// 2. 统计离群点去除
pcl::StatisticalOutlierRemoval<PointT> sor;
sor.setInputCloud(cloud_voxel);
sor.setMeanK(30);                      // 近邻数
sor.setStddevMulThresh(1.0);           // 标准差倍数
sor.filter(*cloud_clean);

// 3. RANSAC 地面分割
pcl::SACSegmentation<PointT> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.03);        // 3cm 平面内点阈值
seg.setInputCloud(cloud_clean);
seg.segment(*inliers, *coefficients);  // 地面内点索引

// 4. 提取非地面点，送入配准
pcl::ExtractIndices<PointT> ext;
ext.setInputCloud(cloud_clean);
ext.setIndices(inliers);
ext.setNegative(true);                 // 取反：保留非地面
ext.filter(*cloud_object);

体素边长不是越小越好。对于 16 线激光雷达，0.1～0.2 m 通常较合适；对于高线束雷达或深度相机，可适当减小到 0.03～0.08 m。参数应结合目标最小尺寸确定，一般体素边长不超过目标特征尺寸的三分之一。

四、案例与场景：室内建图与室外感知的差异

在室内 SLAM 场景中，地面平整、结构规则，RANSAC 平面分割效果稳定，体素边长可设为 0.05 m，SOR 的 k 取 20～30。此时地面点占比高，分割后能显著减少配准计算量。

在室外自动驾驶场景中，地面存在坡度与起伏，单一平面假设会失效。此时应改用分段平面拟合或基于法向量与坡度的地面分割，并保留地面点用于定位，仅将非地面点送入目标配准。下采样体素可放大到 0.15～0.25 m，以应对远距离稀疏点云。

处理步骤	典型方法	关键参数	主要作用
滤波去噪	体素栅格、统计滤波	体素边长、k、σ	抑制测量噪声，平滑局部表面
下采样	体素降采样、曲率采样	体素边长、采样比例	降低点数，提升配准速度
离群点去除	SOR、ROR	近邻数、半径、阈值	剔除飞点与虚假对应
地面分割	RANSAC、坡度法	距离阈值、迭代次数	分离支撑面与目标体

五、误区与复盘

常见误区一：先做地面分割再下采样。地面点数量庞大，直接 RANSAC 会非常耗时，应先降采样。误区二：把体素边长设得过大，导致小目标被“抹掉”，配准时找不到足够特征。误区三：SOR 的 σ 设得过小，把稀疏但真实的边缘点也删掉，造成配准退化。误区四：认为预处理越干净越好，过度滤波会削弱几何特征，反而降低配准精度。

复盘时应关注三个指标：预处理后点数与原始点数的比例、地面点剔除比例、配准后的均方误差与迭代次数。若配准误差偏大，优先检查离群点阈值与地面分割是否误删了目标点；若配准速度慢，优先检查下采样体素是否过小。只有把预处理参数与配准结果联动评估，才能形成稳定的数据准备流程。