📚 课程目录第3章直通滤波

3. 直通滤波

直通滤波，这个名字听起来挺唬人。其实说白了，就是一刀切。

你想想看，我们拿到的激光雷达点云，一帧数据里可能有几十万个点。但真正有用的区域，往往只占一小块。比如做高精地图，我只关心路面和路侧的结构，头顶上的树冠、远处的天空，对我来说就是噪声。这时候，直通滤波就是最干脆的武器——沿着某个坐标轴，设定一个范围，范围内的留下，范围外的砍掉。

我个人习惯把直通滤波叫做「空间剪刀」。它不跟你讲什么概率分布、邻域关系，就是简单粗暴地按坐标切。但你别小看它，在工程落地中，这招往往是效率最高的预处理手段。

3.1 单轴裁剪：最基础的玩法

先看最简单的场景。我只想保留 Z 轴（高度）在 0.5 米到 3.0 米之间的点。为什么是这个范围？因为高精地图的要素——路沿、标志牌、车道线——基本都落在这个高度区间里。

代码写起来也很直白：

// C++ 示例：PCL 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");      // 沿 Z 轴裁剪
pass.setFilterLimits(0.5, 3.0);    // 保留 0.5m ~ 3.0m
pass.setFilterLimitsNegative(false); // false 表示保留区间内
pass.filter(*cloud_filtered);

这里有个细节我要提醒你。setFilterLimitsNegative 这个参数，默认是 false。如果你把它改成 true，意思就反过来了——保留区间外的点。我在项目中遇到过一种情况：想快速剔除地面附近的噪点，就把下限设成 0.3 米，然后取反，只保留 0.3 米以上的点。嗯，这个技巧在清理地面反射杂波时特别好用。

  核心要点： 单轴裁剪的关键是选对坐标轴。Z 轴用于高度过滤，X/Y 轴用于横向范围控制。选错了轴，你切出来的就是一堆废数据。

3.2 ROI 提取：从全局到局部

单轴裁剪只是热身。真正干活的时候，我们往往需要划定一个三维的 ROI（感兴趣区域）。比如我只想提取前方 50 米、左右各 15 米、高度 0 到 4 米范围内的点。这就是多轴联合滤波。

我习惯的做法是：先沿 X 轴切一刀，再沿 Y 轴切一刀，最后沿 Z 轴收尾。顺序其实无所谓，但有个小窍门——先切数据量最大的轴。比如你的点云在 X 方向分布很广，那就先切 X，这样后续处理的数据量会大幅减少，速度能快不少。

看代码：

// 多轴联合滤波：先 X，再 Y，最后 Z
pcl::PassThrough<pcl::PointXYZ> pass_x;
pass_x.setInputCloud(cloud);
pass_x.setFilterFieldName("x");
pass_x.setFilterLimits(0.0, 50.0);
pass_x.filter(*cloud_x);

pcl::PassThrough<pcl::PointXYZ> pass_y;
pass_y.setInputCloud(cloud_x);
pass_y.setFilterFieldName("y");
pass_y.setFilterLimits(-15.0, 15.0);
pass_y.filter(*cloud_y);

pcl::PassThrough<pcl::PointXYZ> pass_z;
pass_z.setInputCloud(cloud_y);
pass_z.setFilterFieldName("z");
pass_z.setFilterLimits(0.0, 4.0);
pass_z.filter(*cloud_roi);

这段代码看起来有点啰嗦，但逻辑很清晰。每个 PassThrough 对象只干一件事，然后串起来。我曾经试过用一个对象反复调用，结果发现内部状态会残留，容易出 bug。所以我的建议是：每个轴单独建一个滤波器对象，别偷懒。

实战技巧： 如果你用 Python 的 Open3D 或 PCL 的 Python 绑定，可以用循环来简化代码。但 C++ 里我建议保持显式，可读性更重要。

3.3 多轴联合滤波的避坑指南

多轴联合滤波看着简单，但坑不少。我踩过的几个，今天一并告诉你。

第一个坑：边界效应。 你设了 X 轴范围 0 到 50 米，但激光雷达在 0 米附近（也就是车头位置）往往有盲区。这些盲区里的点坐标可能是 NaN 或者异常值。直通滤波不会帮你处理 NaN，它会直接保留或剔除。所以我的习惯是：在滤波之前，先做一步 NaN 点剔除。

// 先剔除 NaN 点
std::vector<int> indices;
pcl::removeNaNFromPointCloud(*cloud, *cloud, indices);

第二个坑：坐标系对齐。 直通滤波是沿着坐标轴切的。如果你的点云坐标系没有和车体坐标系对齐，切出来的 ROI 就是歪的。比如车在坡道上，Z 轴不是垂直地面，你按 Z 轴切高度，切出来的根本不是真实高度。我遇到过有人拿这个数据去训练模型，结果模型学了一堆倾斜的特征，怎么调都调不好。

解决办法很简单：滤波之前，先把点云转换到车体坐标系或者一个水平基准坐标系下。这一步叫「去倾斜」或「地面校正」。后面我们会专门讲。

第三个坑：性能问题。 直通滤波虽然快，但如果你在循环里反复调用，比如每帧数据都要切好几次，累积起来也慢。我建议你把滤波参数提前算好，不要每帧都重新设置。另外，如果点云数据量特别大（比如超过 100 万点），可以考虑先用体素滤波降采样，再做直通滤波。顺序别搞反了——先降采样再直通，能省一半时间。

警告： 不要在生产环境中对每一帧都动态调整滤波范围。除非你的场景变化特别剧烈，否则固定参数就够用。动态调整容易引入不稳定因素，而且调试起来非常痛苦。

3.4 知识体系：直通滤波的核心逻辑

说了这么多，我画了一张图帮你梳理一下。直通滤波的整个流程，其实就三步：选轴、定范围、执行裁剪。但每一步都有讲究。

这张图你看懂了吗？从原始点云出发，经过三步处理，最终得到 ROI 点云。每一步都有参数需要你根据实际场景去调。没有万能参数，只有最适合你数据的参数。

3.5 实战经验：什么时候该用直通滤波？

直通滤波不是万能的。它只适合那些「空间分布有明显边界」的场景。比如：

道路场景： 只保留路面以上、标志牌以下的高度范围。
停车场： 只保留车辆周围 10 米内的点，远处的墙和柱子不要。
隧道内： 沿隧道走向切一个长条形的 ROI，剔除两侧墙壁的干扰。

但如果你面对的是密集的灌木丛、复杂的城市峡谷，直通滤波就有点力不从心了。这时候你需要结合统计滤波或半径滤波来剔除离群点。不过那是后面章节的内容，今天先把直通滤波吃透。

最后说一句：直通滤波是所有滤波方法里最「笨」的，但也是最可靠的。它不会引入任何数学假设，不会改变点的位置，只是简单地做取舍。在高精地图的工程实践中，我见过太多花里胡哨的算法最后被直通滤波替代的例子。有时候，简单就是最好的。

  一句话总结： 直通滤波就是用坐标轴当剪刀，把点云剪成你想要的样子。别想复杂了，先剪再说。

可可精品资料库