2. 点云预处理技术：体素滤波、直通滤波、半径滤波与统计滤波的原理与实现
大家好，欢迎来到点云预处理这一讲。
说实话，在自动驾驶感知这条路上摸爬滚打这么多年，我最大的体会就是：原始点云数据，真的没法直接用。你想想看，一帧64线激光雷达的数据，动辄十几万个点，里面还夹杂着各种噪声、离群点、地面反射杂波。你要是直接把这些数据扔给后面的检测算法，那结果基本就是灾难。
所以，预处理这一步，说白了就是给数据“洗个澡”，把脏东西去掉，把有用的信息留下来。今天我们就来聊聊四种最常用的滤波方法：体素滤波、直通滤波、半径滤波和统计滤波。我会结合我自己的项目经验，把它们的原理、适用场景和代码实现都讲透。
核心观点：预处理不是简单的“过滤”，而是为了在保留关键几何特征的前提下，大幅降低数据量，同时剔除噪声。这一步做得好，后面的跟踪算法能省一半的力气。
2.1 体素滤波（Voxel Grid Filter）
体素滤波，我个人认为是预处理里最常用、也最基础的一招。它的思路其实很简单：把三维空间划分成一个个小立方体（体素），然后每个体素内只保留一个点，通常是体素内所有点的重心，或者直接取中心点。
为什么要这么做？
你想想看，激光雷达扫描的时候，近处的物体点云非常密集，一个行人身上可能就有上千个点。但说实话，对于目标跟踪来说，我们不需要这么高的密度。体素滤波能均匀地降低点云密度，同时保持物体的几何形状。
我的经验：在项目中，我习惯把体素大小设为0.1m到0.2m之间。太小了降采样效果不明显，太大了会把小物体（比如行人）给“抹平”了。有一次我在高速场景测试，把体素设成了0.5m，结果一辆摩托车直接被滤成了几个点，跟踪直接跟丢了。嗯，这个坑我踩过。
代码实现（PCL）：
// 体素滤波核心代码
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f); // 体素大小
voxel_filter.filter(*cloud_filtered);这里有个细节要注意：setLeafSize的三个参数分别对应x、y、z方向的体素尺寸。如果你的场景是水平方向为主（比如道路），可以适当把z方向的尺寸设大一点，这样能保留更多的垂直结构信息。
2.2 直通滤波（PassThrough Filter）
直通滤波，说白了就是“切一刀”。你指定一个坐标轴的范围，在这个范围之外的点全部砍掉。这招在提取ROI（感兴趣区域）时特别好用。
我记得有一次做城市道路场景，激光雷达装在车顶，扫描范围是360度的。但真正有用的区域其实只有前方100米、左右各30米。用直通滤波把x轴限制在0~100米，y轴限制在-30~30米，数据量直接减少了70%。
适用场景：
- 去除车体自身点云（比如车顶、引擎盖上的反射）
- 提取特定高度范围内的点云（比如只保留地面以上0.5m到2.5m的行人区域）
- 限制检测距离（比如只关注前方80米内的目标）
注意：直通滤波是“硬裁剪”，边界处可能会把目标的一部分切掉。比如一个行人刚好站在80米边界上，你设了80米的距离限制，那这个行人可能只保留了一半的点云。我建议在边界处留一点余量，比如设成85米。
代码实现（PCL）：
// 直通滤波 - 沿x轴方向裁剪
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("x");
pass.setFilterLimits(0.0, 80.0); // 保留0到80米
pass.filter(*cloud_filtered);2.3 半径滤波（Radius Outlier Removal）
半径滤波，它的逻辑很直观：对于每个点，检查它周围指定半径内有多少个邻居点。如果邻居点数量少于某个阈值，就认为这个点是孤立噪声，直接干掉。
为什么会需要这个？激光雷达在远距离或者边缘处，经常会产生一些“飘”出来的孤立点。这些点既不是真实物体，也不是地面反射，纯粹是噪声。半径滤波就是专门对付它们的。
参数设置建议：
| 场景 | 搜索半径 | 最小邻居数 |
|---|---|---|
| 近距离（<30m） | 0.3m | 3 |
| 中距离（30-60m） | 0.5m | 2 |
| 远距离（>60m） | 1.0m | 1 |
避坑指南：我曾经在雨雾天气测试时，发现半径滤波把远处的车辆点云也给滤掉了。后来一查，是因为雨雾导致点云稀疏，远处的车辆本来就没几个点，半径滤波一过，全没了。所以天气不好的时候，我会把最小邻居数调低到1或者2。
代码实现（PCL）：
// 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> rad_filter;
rad_filter.setInputCloud(cloud);
rad_filter.setRadiusSearch(0.5); // 搜索半径0.5米
rad_filter.setMinNeighborsInRadius(3); // 至少3个邻居
rad_filter.filter(*cloud_filtered);2.4 统计滤波（Statistical Outlier Removal）
统计滤波，比半径滤波更“聪明”一点。它不是用固定的半径和阈值，而是基于整个点云的统计特性来做判断。
具体做法是：计算每个点到它最近k个邻居的平均距离。然后，计算所有点的平均距离的均值和标准差。如果一个点的平均距离超出了“均值 + 标准差 × 倍数”的范围，就认为它是离群点。
说白了，它是在问：“这个点跟周围的点比起来，是不是太‘孤单’了？”
参数说明：
- k（邻居数）： 一般取20-50。太小了统计不稳定，太大了计算量暴增。
- stddev_mul（标准差倍数）： 一般取1.0到2.0。倍数越小，过滤越严格。
我的习惯：在城区场景，我通常设k=30，stddev_mul=1.5。这个组合能很好地去除稀疏的离群点，同时保留密集的物体点云。如果是高速场景，点云更稀疏，我会把stddev_mul调到2.0，避免把远处的车辆误删。
代码实现（PCL）：
// 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> stat_filter;
stat_filter.setInputCloud(cloud);
stat_filter.setMeanK(30); // 邻居数
stat_filter.setStddevMulThresh(1.5); // 标准差倍数
stat_filter.filter(*cloud_filtered);2.5 四种滤波的对比与选择
好了，四种方法都讲完了。你可能会问：到底该用哪个？
我的建议是：组合使用，按顺序来。
- 第一步：直通滤波 — 先切出ROI，把无关区域去掉。
- 第二步：体素滤波 — 降采样，减少数据量。
- 第三步：统计滤波或半径滤波 — 去噪，二选一即可。
为什么是这个顺序？因为先做直通滤波能大幅减少点数，后面的体素滤波和统计滤波计算量就小很多。我见过有人先做体素滤波再做直通滤波，结果体素滤波在无用区域浪费了大量计算资源。嗯，顺序很重要。
性能提醒：统计滤波的计算量比半径滤波大，因为它需要计算所有点的平均距离分布。如果你的系统对实时性要求很高（比如10Hz以上），建议用半径滤波代替统计滤波。我在嵌入式平台上做过测试，统计滤波比半径滤波慢了大约30%。
最后，我想说一句：预处理没有银弹。不同的场景、不同的传感器、不同的算法，需要的预处理策略都不一样。我的建议是，多试几组参数，用可视化工具看看效果，找到最适合你场景的那一套。
好了，这一讲就到这里。下一讲我们会聊聊点云的分割技术，包括地面分割和聚类，敬请期待。