点云分割与地面去除：从原始数据到结构化障碍物

点云分割，说白了就是把一堆乱七八糟的点，分成「地面」和「障碍物」两大阵营。这是自动驾驶感知里最基础、也最关键的预处理步骤。我刚开始做这行时，总觉得分割嘛，不就是设个阈值？后来踩了不少坑才明白——分割做不好，后面的跟踪、预测全是白搭。

一、地面去除：先把路找出来

为什么要先去除地面？你想想看，激光雷达扫到的点，一半以上都是地面。如果不先干掉地面，聚类时地面点和障碍物点会糊在一起，根本分不清谁是谁。

1. RANSAC平面拟合

RANSAC（随机采样一致性）是地面分割的经典方法。它的核心思想很简单：从点云中随机选三个点，拟合一个平面，然后看有多少点落在这个平面上。重复这个过程，找到点数最多的那个平面，就是地面。

// C++ 伪代码：RANSAC地面拟合
int bestInliers = 0;
Plane bestPlane;

for (int i = 0; i < maxIterations; i++) {
    // 随机选3个点
    Point p1 = points[rand() % N];
    Point p2 = points[rand() % N];
    Point p3 = points[rand() % N];
    
    // 计算平面方程 Ax + By + Cz + D = 0
    Plane plane = fitPlane(p1, p2, p3);
    
    // 统计内点数量
    int inliers = 0;
    for (auto& p : points) {
        if (distanceToPlane(p, plane) < threshold) {
            inliers++;
        }
    }
    
    if (inliers > bestInliers) {
        bestInliers = inliers;
        bestPlane = plane;
    }
}

2. 基于高度/角度的地面分割

RANSAC虽然好用，但有个毛病：计算量大。在嵌入式平台上跑，每帧点云几万个点，RANSAC可能撑不住。

这时候可以用基于高度和角度的方法。思路是这样的：

• 把点云按水平角度分到不同的扇形区域
• 在每个扇形内，按距离分bin
• 对每个bin，找最低的几个点作为地面种子
• 然后根据相邻bin的高度差，判断哪些点是地面

我曾在项目中用过这种方法。当时车上只有一块Jetson TX2，RANSAC跑一帧要30ms，换成高度角度法后降到5ms以内。嗯，代价是精度稍微差一点，但够用。

二、点云聚类：把障碍物一个个拎出来

地面去掉后，剩下的就是障碍物点。但这些点还是一团乱麻，需要聚类把它们分成一个个独立的目标。

1. 欧几里得聚类

这是最直观的方法：如果两个点之间的距离小于某个阈值，就认为它们属于同一个物体。

// PCL 中的欧几里得聚类
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.5);  // 距离阈值，单位米
ec.setMinClusterSize(100);    // 最小点数
ec.setMaxClusterSize(25000);  // 最大点数

std::vector<pcl::PointIndices> clusterIndices;
ec.extract(clusterIndices);

这个方法的优点是简单、快。但有个坑：阈值不好设。设小了，一个行人会被切成好几块；设大了，两辆车挨着停会被当成一个物体。

2. DBSCAN聚类

DBSCAN比欧几里得聚类更聪明。它不光看距离，还看密度。核心思想是：如果一个点周围有足够多的邻居，就把它当成核心点，然后不断扩张。

DBSCAN有两个参数：

• eps：邻域半径
• minPts：成为核心点所需的最少邻居数

我个人的体会是，DBSCAN在处理噪声和离群点方面比欧几里得聚类强很多。比如路边的树叶、小石子，DBSCAN能自动把它们归为噪声，不会形成一堆小碎块。

3. 区域生长分割

区域生长是另一种思路：从种子点开始，不断把「相似」的邻居点加入进来。这里的「相似」可以是距离、法向量夹角、曲率等。

这个方法特别适合分割大块物体，比如卡车、建筑物。因为区域生长会沿着表面平滑地扩张，不会像欧几里得聚类那样把大物体切碎。

// 区域生长分割伪代码
std::vector<Point> seeds = {initialPoint};
std::vector<Point> cluster;

while (!seeds.empty()) {
    Point current = seeds.back();
    seeds.pop_back();
    cluster.push_back(current);
    
    for (auto& neighbor : getNeighbors(current)) {
        if (!visited[neighbor] && 
            isSimilar(current, neighbor)) {
            visited[neighbor] = true;
            seeds.push_back(neighbor);
        }
    }
}

三、知识体系总览

下面这张图总结了本章的核心内容，从地面去除到聚类，每一步都有对应的算法和适用场景。

四、实际项目中的选择建议

好了，点云分割和地面去除就聊到这儿。这些方法看着简单，但真正调好参数、适配到实际场景，还是需要花些功夫的。记住一句话：分割的质量，决定了后续跟踪的天花板。