一、数据预处理降噪：点云滤波与雷达CFAR算法基础
大家好，我是老张。今天咱们聊聊障碍物检测里一个特别基础、但又特别容易翻车的环节——数据预处理降噪。
说实话，我见过不少团队，算法模型选得挺先进，但最后实车测试时误报率居高不下。查来查去，问题往往出在最开始的数据预处理上。你想想看，传感器拿到的原始数据，就像一块刚从泥里挖出来的玉石，不经过仔细打磨，直接拿去雕刻，能出好东西吗？
所以这一章，我重点讲两个方向：点云滤波和雷达CFAR算法。这两块搞明白了，你的误报率至少能降一半。
1.1 点云滤波：为什么非做不可？
激光雷达扫出来的点云，里面其实混着大量噪声。比如空气中的灰尘、雨滴、甚至是传感器自身的电子噪声。这些噪声点如果不处理，后续的聚类和检测算法就会把它们当成真实障碍物，误报就这么来了。
我个人习惯，拿到原始点云后，第一件事就是做两步滤波：体素滤波和统计滤波。顺序不能乱，先降采样，再滤离群点。
1.1.1 体素滤波（Voxel Filter）
体素滤波说白了就是「把点云装进小格子，每个格子只留一个代表点」。这样做的好处有两个：一是大幅减少点数，计算量下来了；二是均匀化点云分布，消除传感器近密远疏的特性。
我在项目中遇到过一个问题：一辆大卡车停在路边，近处的点密密麻麻，远处的点稀稀拉拉。如果不做体素滤波，聚类算法会把近处的点分成好几个小障碍物，误报就来了。
体素滤波的核心参数就是体素大小。设得太小，降采样效果不明显；设得太大，会丢失细节。我一般建议从0.1m开始调，根据场景需求微调。
// 伪代码示例：体素滤波
VoxelGrid filter;
filter.setInputCloud(cloud_in);
filter.setLeafSize(0.1f, 0.1f, 0.1f); // 体素边长0.1米
filter.filter(cloud_out);1.1.2 统计滤波（Statistical Outlier Removal）
体素滤波之后，点云里可能还残留一些孤立的噪声点。这些点通常离周围点很远，统计滤波就是专门收拾它们的。
原理很简单：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加上若干倍标准差，就判定为离群点，直接干掉。
嗯，这里要注意两个参数：k值（邻居数量）和标准差倍数。k值太小，容易把正常点误杀；太大，又滤不干净。我一般设k=50，标准差倍数1.0~2.0之间。
// 伪代码示例：统计滤波
StatisticalOutlierRemoval filter;
filter.setInputCloud(cloud_in);
filter.setMeanK(50); // 50个最近邻
filter.setStddevMulThresh(1.0); // 标准差倍数
filter.filter(cloud_out);1.2 雷达信号CFAR算法基础
说完点云，咱们聊聊毫米波雷达。雷达信号处理里，CFAR（Constant False Alarm Rate，恒虚警率）算法是检测目标的核心。它的任务很简单：判断某个距离-多普勒单元里，到底是有目标，还是只有噪声。
为什么叫「恒虚警率」？因为雷达接收到的噪声强度是变化的——下雨天噪声大，晴天噪声小。如果用一个固定阈值，要么晴天误报多，要么雨天漏检多。CFAR算法能根据背景噪声动态调整阈值，保证虚警率恒定。
1.2.1 CFAR的基本原理
CFAR的思路是：在待检测单元（CUT）周围，取一圈参考单元，计算它们的平均噪声功率。然后乘以一个缩放因子，得到检测阈值。如果CUT的功率超过这个阈值，就判为目标。
说白了，就是「看看邻居们有多吵，再决定你是不是真的在说话」。
其中α由期望的虚警率Pfa和参考单元数量N决定：α = N × (Pfa^(-1/N) - 1)
1.2.2 常见的CFAR变体
实际工程中，CFAR有好几种变体，我挑三个最常用的说说：
| 算法类型 | 适用场景 | 我的经验 |
|---|---|---|
| CA-CFAR（单元平均） | 均匀噪声背景 | 最简单，但多目标场景容易漏检 |
| SO-CFAR（最小选择） | 多目标靠近时 | 能区分相邻目标，但虚警略高 |
| GO-CFAR（最大选择） | 噪声边缘区域 | 防止在噪声突变处误报，我常用这个 |
我个人习惯，在城市道路场景用GO-CFAR。因为路边建筑物和树木会造成噪声边缘，GO-CFAR能有效抑制这些区域的误报。
1.2.3 CFAR实现中的注意事项
写CFAR代码时，有几个细节特别容易出问题：
- 保护单元（Guard Cells）：待检测单元两侧要留几个保护单元，防止目标能量泄漏到参考单元里，拉高阈值导致漏检。我一般设2~3个保护单元。
- 参考单元数量：太少则阈值不稳定，太多则计算量大。通常取16~32个。
- 边缘处理：信号序列两端没有足够的参考单元，需要特殊处理。我通常直接丢弃边缘的检测结果，或者用镜像填充。
// 伪代码示例：一维CA-CFAR
for each CUT at index i:
// 取左右参考单元（跳过保护单元）
left_ref = signal[i - guard - ref_len : i - guard]
right_ref = signal[i + guard + 1 : i + guard + 1 + ref_len]
noise_power = mean(left_ref + right_ref)
threshold = noise_power * alpha
if signal[i] > threshold:
mark as target1.3 本章知识体系总览
为了让你更直观地理解这一章的内容结构，我画了一张流程图。它展示了从原始传感器数据到干净点云/目标列表的完整处理链路。
这张图把整个流程串起来了。左边是点云处理链路，右边是雷达处理链路。两条路最终汇聚到同一个目标——给检测模块提供干净、可靠的数据。
好了，这一章的内容就到这里。数据预处理看似基础，但真要在工程里做到极致，需要大量的实践和调参。希望我分享的这些经验，能帮你少走一些弯路。
可可精品资料库