点云预处理技术：从原始数据到可用特征

大家好，我是你们的老朋友。今天我们来聊聊点云预处理。

说实话，很多刚入行的同学容易忽略这一步。他们觉得，传感器数据拿过来，直接丢进网络不就完了？我刚开始做融合跟踪时也这么想。结果呢？点云里全是噪点，地面把障碍物都淹没了，聚类出来的目标乱七八糟。嗯，从那以后，我再也不敢跳过预处理了。

点云预处理，说白了就是三个核心任务：滤波、地面分割、聚类。我们一个一个来拆解。

一、点云滤波：先把垃圾扔掉

激光雷达采集的点云，原始数据里什么都有。远处的噪点、空气中的悬浮粒子、多路径反射造成的鬼影……你想想看，如果把这些脏数据直接拿去聚类，结果能好吗？

我个人习惯，拿到点云的第一件事就是滤波。常用的有两种：

1.1 体素滤波（Voxel Filter）

体素滤波的核心思想很简单：把空间切成一个个小立方体（体素），每个体素里只保留一个点。说白了就是降采样。

为什么要降采样？64线激光雷达一帧可能有十几万个点。这么多点，计算量太大了。体素滤波可以帮你把点数降到几千到几万，同时保留物体的几何结构。

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("lidar_frame.pcd")

# 体素滤波，体素大小0.1m
voxel_size = 0.1
down_pcd = pcd.voxel_down_sample(voxel_size)

print(f"原始点数: {len(pcd.points)}")
print(f"滤波后点数: {len(down_pcd.points)}")

1.2 统计滤波（Statistical Outlier Removal）

统计滤波是专门用来干掉离群点的。它的原理是：计算每个点周围k个邻居的平均距离，如果这个距离明显大于平均值，就判定为离群点。

为什么会这样？因为真正的物体表面，点与点之间的距离是均匀的。而噪点孤零零地飘在外面，邻居离它很远。

# 统计滤波
cl, ind = down_pcd.remove_statistical_outlier(
    nb_neighbors=20,     # 邻居点数
    std_ratio=2.0        # 标准差倍数阈值
)
filtered_pcd = down_pcd.select_by_index(ind)

print(f"滤波后点数: {len(filtered_pcd.points)}")

二、地面分割：把路和障碍物分开

地面分割是融合跟踪里非常关键的一步。为什么？因为地面点占了点云的一半以上。如果不分割，聚类时地面和障碍物会粘在一起。

常用的方法有两种：RANSAC和Patchwork。

2.1 RANSAC平面拟合

RANSAC（随机采样一致性）是一种迭代算法。它随机选三个点拟合一个平面，然后统计有多少点在这个平面上。重复多次，取点数最多的那个平面作为地面。

这个方法简单粗暴，但有个问题：它假设地面是一个完整的平面。遇到坡道、颠簸路面就麻烦了。

import numpy as np
from sklearn.linear_model import RANSACRegressor

# 假设 points 是 Nx3 的点云数组
# RANSAC 拟合平面: z = ax + by + c
X = points[:, :2]  # (x, y)
y = points[:, 2]   # z

ransac = RANSACRegressor(
    residual_threshold=0.2,  # 点到平面的距离阈值
    max_trials=100
)
ransac.fit(X, y)

# 获取地面点索引
inlier_mask = ransac.inlier_mask_
ground_points = points[inlier_mask]
obstacle_points = points[~inlier_mask]

2.2 Patchwork：更鲁棒的地面分割

RANSAC在复杂场景下表现不佳。我推荐大家试试Patchwork。它是韩国KAIST团队提出的方法，把点云划分成多个扇形区域，每个区域独立拟合地面。

Patchwork的优势在于：它能处理起伏路面、坡道，甚至能区分路沿和地面。我在项目中用过，效果比RANSAC好不少。

# Patchwork 伪代码示意
# 实际使用时建议调用开源库 pypatchwork

from pypatchwork import PatchWork

# 初始化参数
params = {
    "sensor_height": 1.8,    # 激光雷达安装高度
    "num_rings": 40,         # 环数
    "num_sectors": 60,       # 扇形数
    "uprightness_thr": 0.707 # 垂直度阈值
}

patchwork = PatchWork(params)
ground_mask = patchwork.run(points)

三、点云聚类：把障碍物一个个拎出来

地面分割之后，剩下的就是障碍物点云了。但这时候还是一团乱麻——行人、车辆、自行车都混在一起。我们需要把它们分开，这就是聚类要做的事。

3.1 DBSCAN：密度聚类

DBSCAN（基于密度的空间聚类）是我最常用的方法。它不需要预先指定类别数，能发现任意形状的簇，还能识别噪声点。

它的核心思想：如果一个点周围有足够多的邻居，就把它和邻居归为一类。然后不断向外扩张，直到找不到新的邻居为止。

from sklearn.cluster import DBSCAN

# 对地面分割后的障碍物点云聚类
obstacle_points = points[~inlier_mask]

# DBSCAN 聚类
clustering = DBSCAN(
    eps=0.5,        # 邻域半径
    min_samples=10  # 核心点最少邻居数
).fit(obstacle_points)

labels = clustering.labels_
n_clusters = len(set(labels)) - (1 if -1 in labels else 0)
print(f"聚类出 {n_clusters} 个目标")

3.2 欧式聚类：简单高效

欧式聚类是DBSCAN的简化版。它基于欧氏距离，把距离小于阈值的点归为一类。实现简单，计算速度快。

PCL（Point Cloud Library）里提供了现成的实现。Open3D也有封装。

import open3d as o3d

# 假设 filtered_pcd 是地面分割后的障碍物点云
# 欧式聚类
labels = np.array(filtered_pcd.cluster_dbscan(
    eps=0.5, 
    min_points=10, 
    print_progress=True
))

# 提取每个聚类的点云
max_label = labels.max()
for i in range(max_label + 1):
    cluster = filtered_pcd.select_by_index(np.where(labels == i)[0])
    # 计算包围盒
    bbox = cluster.get_axis_aligned_bounding_box()
    print(f"目标 {i}: 中心 {bbox.get_center()}, 尺寸 {bbox.get_extent()}")

四、预处理流程总结

好了，我们把整个流程串起来看看：

步骤	方法	目的	关键参数
1. 滤波	体素滤波	降采样，减少计算量	体素大小 0.1~0.2m
2. 滤波	统计滤波	去除离群噪点	邻居数20，std_ratio 2.0
3. 地面分割	RANSAC / Patchwork	分离地面和障碍物	阈值0.1~0.3m
4. 聚类	DBSCAN / 欧式聚类	分离不同障碍物	eps 0.5m, min_samples 10

我个人习惯的pipeline是：体素滤波 → 统计滤波 → Patchwork地面分割 → DBSCAN聚类。这套组合在大多数场景下表现稳定。

最后提醒一句：参数不是死的。不同激光雷达、不同场景，参数都要微调。我建议你拿自己的数据跑一遍，看看效果，再根据实际情况调整。

预处理做好了，后面的跟踪就轻松多了。嗯，今天就到这里。