4. 点云基础处理

点云数据拿到手，第一件事是什么？

不是急着做检测，而是先「洗数据」。

我刚开始做激光雷达感知那会儿，上来就把原始点云丢进检测模型，结果帧率直接掉到个位数，还全是噪点。后来才明白——原始点云里大量冗余点、离群噪点、无关区域，不处理根本没法用。

这一章，我们就聊聊点云预处理里最常用的四个滤波方法。说白了，就是给点云「瘦身」和「去杂质」。

4.1 体素滤波降采样

体素滤波，我习惯叫它「点云瘦身术」。

你想想看，一个64线激光雷达，一帧能扫出十几万个点。这么多点，很多是重复的、冗余的。比如一面墙，你扫出1000个点和扫出100个点，对检测来说差别不大，但计算量差了一个数量级。

原理其实很简单：

• 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（通常是重心或中心点）
• 体素越大，降采样越狠

我在项目中遇到过一个问题：体素大小设得太小，降采样效果不明显；设得太大，远处的行人直接变成一两个点，检测器根本认不出来。后来我总结了一个经验——体素边长一般设为0.1m~0.5m，具体看你的场景和算力。

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("lidar_frame.pcd")

# 体素滤波降采样
voxel_size = 0.2  # 单位：米
down_pcd = pcd.voxel_down_sample(voxel_size)

print(f"原始点数: {len(pcd.points)}")
print(f"降采样后: {len(down_pcd.points)}")

4.2 直通滤波

直通滤波，说白了就是「切一刀」。

激光雷达扫出来的点云，范围很大。但我们的检测区域往往只关心前方几十米、左右几个车道。后面的、太远的、太高的点，留着干嘛？

应用场景：

• 只保留前方0~50m的点云
• 去掉地面以上的点（比如天桥、树叶）
• 去掉左右两侧超出车道范围的点

我曾经犯过一个低级错误：直通滤波时只设了x轴范围，忘了设y轴。结果路边的灌木丛全被当成障碍物，导致车辆频繁误刹车。嗯，从那以后我每次都会检查三个轴的范围。

import numpy as np

def passthrough_filter(points, axis=0, min_val=-10, max_val=50):
    """
    直通滤波
    :param points: Nx3 点云数组
    :param axis: 0=x, 1=y, 2=z
    :param min_val: 最小值
    :param max_val: 最大值
    """
    mask = (points[:, axis] >= min_val) & (points[:, axis] <= max_val)
    return points[mask]

# 示例：保留前方0~50m，左右±5m，高度-1~2m
points = np.asarray(pcd.points)
filtered = passthrough_filter(points, 0, 0, 50)  # x轴
filtered = passthrough_filter(filtered, 1, -5, 5)  # y轴
filtered = passthrough_filter(filtered, 2, -1, 2)  # z轴

4.3 半径滤波

半径滤波，用来干掉「孤魂野鬼」。

激光雷达扫到一些稀疏的噪点，比如飞鸟、灰尘、传感器噪声。这些点周围没有邻居，一看就是「不合群」的。

判断逻辑：

• 对每个点，统计它半径r范围内的邻居数量
• 如果邻居数少于阈值k，就判定为离群点，删除

我习惯用半径滤波来处理多径反射造成的鬼影点。有一次在隧道里，激光雷达打到墙壁再反射回来，产生了一堆虚假点。半径滤波一上，全清掉了。

# Open3D 半径滤波
cl, ind = down_pcd.remove_radius_outlier(nb_points=6, radius=0.5)
filtered_pcd = down_pcd.select_by_index(ind)

print(f"滤波前: {len(down_pcd.points)}")
print(f"滤波后: {len(filtered_pcd.points)}")

4.4 统计滤波

统计滤波，比半径滤波更「科学」一点。

它不是用固定半径，而是用统计学的思路——计算每个点到它k个最近邻的平均距离。如果这个平均距离偏离整体分布太远，就认为是离群点。

具体步骤：

1. 对每个点，找它的k个最近邻
2. 计算到这些邻居的平均距离
3. 所有点的平均距离构成一个分布（近似高斯分布）
4. 设定一个标准差倍数std_ratio，超出范围的剔除

说白了，就是「大多数人都在这个距离范围内，你离大家太远，那你就是异类」。

# Open3D 统计滤波
cl, ind = filtered_pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
clean_pcd = filtered_pcd.select_by_index(ind)

print(f"统计滤波前: {len(filtered_pcd.points)}")
print(f"统计滤波后: {len(clean_pcd.points)}")

4.5 四种滤波方法对比

滤波方法	主要用途	核心参数	适用场景
体素滤波	降采样、减少点数	leaf_size	所有场景，预处理第一步
直通滤波	裁剪ROI区域	axis, min, max	固定场景，如车道检测
半径滤波	去除稀疏离群点	radius, nb_points	噪点较少的场景
统计滤波	去除统计离群点	nb_neighbors, std_ratio	噪点分布不均匀的场景

4.6 实战流程：一个完整的预处理管线

在实际项目中，我不会只用一种滤波。通常的流程是：

1. 直通滤波：先切出ROI区域，去掉无关点
2. 体素滤波：降采样，减少计算量
3. 统计滤波：去除离群噪点
4. （可选）半径滤波：如果还有残留噪点，再补一刀

这个顺序我踩过坑才总结出来的。以前我先把体素滤波放在第一步，结果直通滤波时还要处理大量冗余点，白白浪费算力。先切ROI再降采样，效率高很多。

def preprocess_pipeline(pcd, roi_range, voxel_size, nb_neighbors=20, std_ratio=2.0):
    # 1. 直通滤波
    points = np.asarray(pcd.points)
    mask_x = (points[:, 0] >= roi_range[0]) & (points[:, 0] <= roi_range[1])
    mask_y = (points[:, 1] >= roi_range[2]) & (points[:, 1] <= roi_range[3])
    mask_z = (points[:, 2] >= roi_range[4]) & (points[:, 2] <= roi_range[5])
    mask = mask_x & mask_y & mask_z
    pcd.points = o3d.utility.Vector3dVector(points[mask])
    
    # 2. 体素滤波
    pcd = pcd.voxel_down_sample(voxel_size)
    
    # 3. 统计滤波
    _, ind = pcd.remove_statistical_outlier(nb_neighbors, std_ratio)
    pcd = pcd.select_by_index(ind)
    
    return pcd

# 使用示例
roi = [0, 50, -5, 5, -1, 2]  # x, y, z范围
clean_pcd = preprocess_pipeline(pcd, roi, voxel_size=0.2)

好了，四种滤波方法讲完了。你可能会问：这么多参数，怎么调？

我的建议是：先拿一帧数据，可视化出来，肉眼观察噪点和目标分布。然后从体素滤波开始，逐步调整。调参这事，说白了就是「试」出来的。多试几次，你就有感觉了。

可可精品资料库