2. 点云基础与预处理
大家好，我是你们这堂课的主讲。今天咱们聊聊点云预处理。说实话，我刚入行那会儿，觉得点云不就是一堆三维点嘛，直接扔进网络里训练不就完了？结果被现实狠狠教育了一顿——原始点云数据，那叫一个脏乱差。
你想想看，激光雷达扫一圈下来，少说几万到几十万个点。这里面有地面、有车辆、有行人，还有各种噪声点、离群点。直接处理？算力扛不住，精度也上不去。所以，预处理这一步，说白了就是给数据「洗个澡」，让它变得干净、规整、好用。
点云数据结构：理解你的数据长什么样
先说说点云的数据结构。最常见的格式就是 PCD（Point Cloud Data）和 PLY（Polygon File Format）。我个人习惯用 PCD，因为 ROS 生态里支持得最好。
一个点云文件，本质上就是一个 N×D 的矩阵。N 是点的数量，D 是每个点的维度。最基本的维度是 x、y、z 三个坐标。但实际项目中，我们还会用到强度（intensity）、时间戳、甚至 RGB 颜色信息。
核心概念：点云不是图像，它没有规则的网格结构。每个点都是独立存在的，点与点之间没有固定的邻居关系。这一点非常重要，后面所有的滤波算法都基于这个特性。
举个例子，一个典型的 Velodyne HDL-64E 激光雷达，每秒能产生约 130 万个点。每个点包含：
| 字段 | 说明 | 典型范围 |
|---|---|---|
| x, y, z | 三维坐标（米） | -100 ~ 100 |
| intensity | 反射强度（0-255） | 0 ~ 255 |
| ring | 激光线束编号 | 0 ~ 63 |
| timestamp | 相对时间戳（微秒） | 0 ~ 1e6 |
嗯，这里要注意：不同雷达的数据格式差异很大。我曾经在项目里遇到过，把 Ouster 的数据当成 Velodyne 来解析，结果点云全飞到天上去了。所以拿到数据第一步，先确认传感器型号和数据结构。
体素滤波：给点云「降采样」
体素滤波（Voxel Grid Filter）是我用得最多的预处理手段。它的思路很简单：把三维空间划分成一个个小立方体（体素），每个体素内只保留一个点（通常是重心点）。
为什么要这么做？说白了，就是降采样。原始点云太密了，尤其是近处的点，密密麻麻全是。直接处理的话，计算量爆炸。体素滤波能有效减少点数，同时保留点云的几何结构。
// C++ 示例：PCL 中的体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f); // 体素大小 10cm
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>());
voxel_filter.filter(*filtered_cloud);我的经验：体素大小的选择很关键。设得太小（比如 0.01m），降采样效果不明显；设得太大（比如 0.5m），会丢失细节。我一般从 0.1m 开始试，根据实际场景调整。高速场景可以大一点，低速场景小一点。
你可能会问：体素滤波会不会把障碍物弄没了？会的。如果体素太大，小物体（比如行人、锥桶）可能直接被「吞掉」。所以降采样和保真度之间，需要做个权衡。
直通滤波：快速裁剪感兴趣区域
直通滤波（PassThrough Filter）更简单——直接根据坐标轴范围裁剪点云。比如我只想看前方 50 米内的障碍物，那就把 x 轴范围设在 0 到 50 米。
这个操作在工程中非常实用。你想啊，激光雷达能扫 100 多米，但远处的点稀疏且噪声大，对检测没什么帮助。直接切掉，既减少数据量，又避免远处噪声干扰。
// C++ 示例：PCL 中的直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z"); // 沿 z 轴（高度）滤波
pass.setFilterLimits(-1.0, 2.0); // 保留 -1m 到 2m 之间的点
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>());
pass.filter(*filtered_cloud);避坑指南：我曾经在高速场景中，把直通滤波的 x 轴范围设得太小（只保留 0-30 米），结果前方 50 米处的大货车完全没检测到，差点出事。记住：直通滤波是「裁剪」，不是「优化」。裁剪范围要根据实际感知需求来定，不能一刀切。
统计滤波：干掉离群点
统计滤波（Statistical Outlier Removal）是用来去除噪声点的。它的原理是：计算每个点与其 k 个最近邻的平均距离，如果这个距离超过某个阈值，就认为是离群点。
为什么会需要这个？因为激光雷达在边缘处、或者遇到雨雾天气时，会产生一些「飘」在空中的孤立点。这些点对障碍物检测是纯干扰。
// C++ 示例：PCL 中的统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 考虑 50 个最近邻
sor.setStddevMulThresh(1.0); // 标准差倍数阈值
pcl::PointCloud<pcl::PointXYZ>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZ>());
sor.filter(*filtered_cloud);关键参数：
- meanK：邻居数量。越大，滤波越平滑，但可能误删真实点。
- stddevMulThresh：标准差倍数。越小，去除的点越多。我一般用 1.0 到 2.0 之间。
我记得有一次做矿区无人驾驶项目，点云里全是扬尘产生的噪声点。统计滤波设了 meanK=30、stddevMulThresh=1.5，效果出奇的好。但要注意，如果场景本身点云就很稀疏（比如远距离），统计滤波可能会把真实物体也干掉。
点云可视化：眼见为实
预处理做得对不对，光看数字没用。你得把点云画出来看看。我常用的可视化工具是 PCL Visualizer 和 Open3D。
PCL 自带的可视化器虽然丑了点，但胜在轻量。Open3D 的界面更现代，交互也更友好。
// C++ 示例：PCL 可视化
pcl::visualization::PCLVisualizer viewer("Point Cloud Viewer");
viewer.addPointCloud(filtered_cloud, "cloud");
viewer.setBackgroundColor(0, 0, 0); // 黑色背景
viewer.spin();我的习惯：可视化时，我会把原始点云和滤波后的点云放在两个窗口对比。这样一眼就能看出滤波效果。另外，给点云上色也很重要——按高度上色（z 轴）能直观看出地面和障碍物的分布。
你想想看，如果预处理做得好，可视化出来的点云应该是：地面平整、障碍物轮廓清晰、没有飘在空中的孤立点。如果看到点云里有一团一团的「毛刺」，那大概率是滤波参数没调好。
本章知识体系
下面这张图，是我自己总结的点云预处理流程。你可以把它当作一个检查清单：
这张图展示了点云预处理的典型流水线。实际项目中，顺序可以调整。比如先体素滤波再直通滤波，或者先统计滤波再体素滤波，效果差别不大。但有一点要注意：直通滤波最好放在最前面，因为先裁剪掉无关区域，后续滤波的计算量会小很多。
好了，关于点云基础与预处理，我就讲这么多。记住一句话：预处理做得好，后续算法事半功倍；预处理做得糙，后面全是坑。希望你们在实际项目中，能把这些方法用起来，调出最适合自己场景的参数。
可可精品资料库