点云基础与预处理：从原始数据到可用特征

各位同学，今天我们来聊聊点云预处理。说实话，很多刚入行的朋友拿到激光雷达数据就直接往上跑算法，结果效果一塌糊涂。我当年也犯过这个错——第一次做路测，点云里全是噪点，目标检测根本没法看。后来才明白，预处理做不好，后面全是白费功夫。

点云数据结构：你手里的数据长什么样？

点云本质上是一堆三维点的集合。每个点通常包含(x, y, z)坐标，还可能带有强度(intensity)、时间戳、颜色等信息。在自动驾驶场景中，我们最常用的是PCL和Open3D这两个库。

PCL (Point Cloud Library) 是C++领域的标配。它的核心数据结构是 pcl::PointCloud<T>，其中T可以是多种点类型。我个人最常用的是 pcl::PointXYZ 和 pcl::PointXYZI（带强度）。

// PCL 点云创建示例
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
cloud->width = 100;    // 点云宽度
cloud->height = 1;     // 1表示无序点云
cloud->points.resize(cloud->width * cloud->height);

// 填充点数据
for (size_t i = 0; i < cloud->points.size(); ++i) {
    cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
    cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
    cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
}

Open3D 则是Python生态的宠儿。它的数据结构更简洁，用 open3d.geometry.PointCloud 表示。我个人习惯在快速原型验证时用Open3D，生产环境用PCL。

# Open3D 点云创建示例
import open3d as o3d
import numpy as np

# 从numpy数组创建点云
points = np.random.rand(100, 3)  # 100个随机点
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)

# 查看点云信息
print(f"点云点数: {len(pcd.points)}")
print(f"点云边界: {pcd.get_axis_aligned_bounding_box()}")

体素滤波降采样：让数据瘦身

激光雷达一帧数据可能有几十万甚至上百万个点。直接处理？计算量太大了。体素滤波（Voxel Grid Filter）就是给点云做「瘦身」的利器。

原理很简单：把空间划分成一个个小立方体（体素），每个体素内只保留一个代表点（通常是重心或中心点）。体素大小决定了降采样程度——体素越大，点越少。

// PCL 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.1f, 0.1f, 0.1f);  // 10cm体素
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);

# Open3D 体素滤波
voxel_size = 0.1  # 10cm
downpcd = pcd.voxel_down_sample(voxel_size=voxel_size)

直通滤波：只保留感兴趣区域

直通滤波（PassThrough Filter）说白了就是「切一刀」。你只想要前方50米内的点？那就把x轴范围设成0到50。你只关心地面以上的物体？那就把z轴最小值设成-0.5米。

为什么需要这个？因为激光雷达会扫到很多无关区域——背后的建筑、头顶的树枝、地面的反射。这些点不仅没用，还会干扰算法。

// PCL 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");  // 沿z轴滤波
pass.setFilterLimits(-0.5, 2.0);  // 保留高度-0.5m到2.0m的点
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_filtered);

# Open3D 直通滤波（需要手动实现）
points = np.asarray(pcd.points)
mask = (points[:, 2] > -0.5) & (points[:, 2] < 2.0)
filtered_points = points[mask]
filtered_pcd = o3d.geometry.PointCloud()
filtered_pcd.points = o3d.utility.Vector3dVector(filtered_points)

统计滤波去噪：干掉那些「野点」

激光雷达数据里总有一些莫名其妙的点——可能是多路径反射、可能是飞溅的灰尘、可能是传感器本身的噪声。这些点我们叫「离群点」。统计滤波（Statistical Outlier Removal）就是专门对付它们的。

原理：对每个点，计算它到k个最近邻的平均距离。如果这个距离超过全局均值+若干倍标准差，就判定为离群点，干掉它。

// PCL 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);          // 考虑50个近邻
sor.setStddevMulThresh(1.0); // 标准差倍数阈值
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);

# Open3D 统计滤波
cl, ind = pcd.remove_statistical_outlier(nb_neighbors=50, std_ratio=1.0)
filtered_pcd = pcd.select_by_index(ind)

点云可视化：眼见为实

预处理做得好不好，光看数字没用。你得亲眼看看点云长什么样。可视化是调试的必备工具。

// PCL 可视化
pcl::visualization::CloudViewer viewer("点云查看器");
viewer.showCloud(cloud_filtered);
while (!viewer.wasStopped()) {
    // 保持窗口打开
}

# Open3D 可视化
o3d.visualization.draw_geometries([filtered_pcd], 
                                  window_name="预处理后的点云",
                                  width=800, height=600)

本章知识体系

下面这张图总结了点云预处理的核心流程和各个步骤的作用：

嗯，到这里点云预处理的核心内容就讲完了。记住：预处理不是流水线式的固定步骤，而是要根据你的传感器、场景和算法需求灵活调整。我见过太多人拿着固定参数跑所有场景，结果换个地方就崩了。

下一章我们会讲点云分割和聚类，到时候这些预处理后的干净数据就能派上用场了。

可可精品资料库