激光雷达点云滤波算法与处理管线 - 第3节
一、体素滤波：点云世界的“像素化”降维
体素滤波，英文叫 VoxelGrid。说白了，就是把三维空间切成一个个小立方体。
每个小立方体，就是一个体素（Voxel）。
然后，在每个体素里，只保留一个点。其他点，全部丢掉。
嗯，就这么简单粗暴。
我刚开始接触点云时，觉得这操作太“暴力”了。后来发现，这恰恰是点云预处理中最优雅的一步。为什么？你想想看，激光雷达一帧数据，动辄十几万甚至上百万个点。这么多点，很多都是冗余的。比如一面墙，你扫出10万个点，和扫出1000个点，对后续的配准、建图来说，差别不大。
体素滤波的核心思想，就是用空间分辨率换计算效率。它不关心点的密度，只关心点云在空间中的“骨架”。
1.1 体素滤波到底在做什么？
我习惯用一个比喻来理解它：
你有一堆沙子（原始点云）。你拿一个筛子（体素网格）去筛。筛子的每个格子大小固定。每个格子里，只留一粒沙子。其他沙子，全部筛掉。
留下来的那粒沙子，通常是这个格子内所有点的重心（质心），或者直接取格子中心点。
所以，体素滤波有两个关键步骤：
- 划分体素网格：根据你设定的体素大小，把整个点云空间切成无数个小立方体。
- 体素内降采样：每个小立方体内，只保留一个代表点。
这里有个细节，我踩过坑——体素内的代表点怎么选？
PCL 默认用的是体素内所有点的重心（质心）。这个做法比较稳，能保留局部几何特征。但如果你追求极致速度，也可以直接用体素的中心点。不过，我建议你用默认的质心方式，精度会好一些。
核心结论：体素滤波的本质，是用一个点代表一个局部空间。体素越小，保留的细节越多；体素越大，降采样越狠，但信息损失也越大。
1.2 体素大小对滤波效果的影响
这是体素滤波里最关键的参数。没有之一。
我见过很多新手，上来就设一个 0.1m 的体素，结果点云还是几十万个点，滤波了个寂寞。也有人设 1m，结果一堵墙变成了几个孤零零的点，后续配准直接崩了。
体素大小的影响，我总结成一张表：
| 体素大小 | 效果 | 适用场景 |
|---|---|---|
| 很小（如 0.01m） | 几乎不降采样，保留全部细节 | 高精度建模、精细测量 |
| 适中（如 0.05m - 0.1m） | 降采样明显，保留主要几何结构 | SLAM前端、配准、一般建图 |
| 较大（如 0.5m - 1m） | 严重降采样，细节丢失 | 快速预览、粗配准、大场景概览 |
我个人习惯，在 SLAM 前端做配准时，体素大小设在 0.05m 到 0.1m 之间。这个范围既能保证配准精度，又能把点云数量压到几千到几万点，计算量刚刚好。
但要注意，体素大小不是固定的。它跟你的场景尺度有关。室内小场景，0.02m 可能都嫌大。室外大场景，0.2m 可能都嫌小。我建议你根据点云的平均点间距来设定。一般取平均点间距的 2-5 倍，效果比较稳妥。
避坑指南：我曾经在一个项目中，把体素设得太大，结果点云变得稀疏无比，导致后续的 ICP 配准直接发散。后来花了半天排查，才发现是体素滤波把关键特征点都滤掉了。所以，体素大小一定要跟你的应用场景匹配。宁小勿大，小了只是慢一点，大了可能直接导致算法失效。
二、PCL 代码实现：手把手教你调参
理论讲完了，咱们直接上代码。PCL 的体素滤波实现非常成熟，核心就几个 API。
下面是我常用的一个代码模板：
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_in(new pcl::PointCloud<pcl::PointXYZ>);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_out(new pcl::PointCloud<pcl::PointXYZ>);
// 创建体素滤波器对象
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
// 设置输入点云
voxel_filter.setInputCloud(cloud_in);
// 设置体素大小（单位：米）
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f);
// 执行滤波
voxel_filter.filter(*cloud_out);
// 输出结果
std::cout << "滤波前点数: " << cloud_in->size() << std::endl;
std::cout << "滤波后点数: " << cloud_out->size() << std::endl;
代码很简单，对吧？但有几个参数细节，我得跟你聊聊。
2.1 setLeafSize 的三个值
setLeafSize 接受三个参数，分别是 x、y、z 方向的体素大小。大多数情况下，三个值设成一样就行，也就是立方体体素。
但有一种情况例外——如果你的点云在某个方向特别稀疏，比如无人机激光雷达扫出来的点云，Z 方向变化不大，你可以把 Z 方向的体素设大一点，减少计算量。
我一般保持三个值一致，省心。
2.2 滤波后的点云数量控制
体素滤波不会直接告诉你输出多少个点。你需要通过调整体素大小来控制。
我有个经验公式：
输出点数 ≈ 点云包围盒体积 / 体素体积
比如，你的点云包围盒是 10m x 10m x 5m = 500 立方米。体素大小 0.1m，体素体积 0.001 立方米。那么输出点数大约 500 / 0.001 = 500,000 个点。
当然，这是理想情况。实际会有空体素，所以点数会少一些。但这个公式能帮你快速估算。
调参技巧：如果你想要输出大约 1 万个点，可以先估算包围盒体积，然后反推体素大小。比如包围盒 500 立方米，想要 1 万个点，体素体积 ≈ 500 / 10000 = 0.05 立方米，体素边长 ≈ 0.37m。然后在这个值附近微调即可。
2.3 进阶用法：保留点云颜色或强度
如果你的点云带有颜色或强度信息，记得用对应的点类型。PCL 支持得很全：
// 带颜色的点云
pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_color(new pcl::PointCloud<pcl::PointXYZRGB>);
pcl::VoxelGrid<pcl::PointXYZRGB> voxel_filter_color;
voxel_filter_color.setInputCloud(cloud_color);
voxel_filter_color.setLeafSize(0.1f, 0.1f, 0.1f);
voxel_filter_color.filter(*cloud_out_color);
注意，体素滤波在计算重心时，会同时平均颜色或强度值。所以输出点的颜色是体素内所有点的平均色。这个效果在视觉上很平滑，我个人挺喜欢的。
三、体素滤波的核心逻辑图
为了让你更直观地理解整个过程，我画了一张流程图：
这张图把整个流程串起来了。从输入点云开始，设定体素大小，然后划分网格，最后在每个体素内取一个代表点。每一步都很清晰。
四、参数调优：我的实战经验
调参这件事，光看理论没用。我分享几个实际项目中的经验。
4.1 场景不同，体素不同
- 室内走廊：点云密集，体素 0.02m - 0.05m 即可。太大会丢失墙角等细节。
- 室外道路：点云稀疏，体素 0.1m - 0.2m 合适。太小了滤波效果不明显。
- 大范围地图：比如整个园区，体素 0.5m - 1m 都行。主要看你要保留多少细节。
4.2 体素滤波的“副作用”
体素滤波会改变点云的局部密度。原本密集的区域，滤波后依然密集（因为体素小）。原本稀疏的区域，滤波后可能直接消失（因为体素内没点）。
所以，如果你的点云密度分布极不均匀，体素滤波可能会把稀疏区域的点全部滤掉。这时候，我建议你先做一次半径滤波或统计滤波，把离群点处理一下，再做体素滤波。
注意：体素滤波不是万能的。它适合降采样，但不适合去噪。如果你需要去除离群点，请用统计滤波或半径滤波。体素滤波只管“降采样”，不管“去噪”。
4.3 性能优化小技巧
体素滤波的计算量跟点云数量成正比。对于百万级点云，PCL 的体素滤波大概需要几十到几百毫秒。如果你需要实时处理，可以考虑：
- 先对点云做下采样（比如每隔几个点取一个），减少输入点数。
- 使用多线程版本的体素滤波（PCL 1.8+ 支持）。
- 如果体素大小固定，可以缓存体素网格，避免重复划分。
我一般在实时 SLAM 系统中，把体素滤波放在单独的线程里跑，不影响主循环的帧率。
五、总结
体素滤波是点云预处理中最基础、最常用的工具。它的核心就一句话：用空间换效率。
体素大小是唯一的参数，也是最重要的参数。调好了，你的 SLAM 系统跑得飞快。调不好，要么点云太密跑不动，要么点云太稀算法失效。
我建议你从 0.05m 开始试，然后根据输出点数和效果微调。记住，宁小勿大。
好了，体素滤波就讲到这里。下一章，我们聊聊统计滤波——那个专门用来干掉离群点的家伙。
课后练习：找一帧激光雷达数据，分别用 0.01m、0.05m、0.1m、0.5m 的体素大小做滤波，观察输出点数和点云形态的变化。你会发现，体素大小对结果的影响，比你想的还要大。
可可精品资料库