3. 点云预处理实战：体素滤波降采样、直通滤波（ROI提取）、统计滤波去噪、半径滤波去噪

各位同学，欢迎来到第三讲。

上一章我们聊了激光雷达的选型和数据格式。说实话，拿到原始点云的那一刻，你可能会有点懵——几万甚至几十万个点，密密麻麻，还带着各种噪声。直接拿去做车道线检测？那基本是给自己找麻烦。

所以这一章，我们来点实在的：点云预处理。

我个人的习惯是，拿到点云数据后，先做四件事：降采样、提ROI、去噪、再精去噪。这四步走完，数据才算“干净”，才能喂给后面的算法。

下面我们一个一个来。

3.1 体素滤波降采样：让数据“瘦身”

为什么需要降采样？

你想想看，一个64线激光雷达，每秒能产生130万个点。这么多点，大部分是冗余的。比如路面上的点，相邻两个点之间的距离可能只有几厘米，但它们的几何信息几乎一样。处理这些冗余点，只会拖慢算法速度。

体素滤波，说白了就是用一个个小立方体（体素）把空间划分开，每个体素内只保留一个点（通常是重心点）。

我在项目中遇到过一个问题：体素大小设得太小，降采样效果不明显；设得太大，车道线的细节就丢了。后来我总结了一个经验——对于车道线检测，体素边长设为0.1米到0.2米比较合适。

代码实现其实很简单，PCL（Point Cloud Library）里直接有现成的滤波器：

// C++ PCL 体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f); // 体素边长0.1米
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
voxel_filter.filter(*cloud_filtered);

嗯，这里要注意：setLeafSize的三个参数分别是X、Y、Z方向的体素边长。如果你的激光雷达是水平安装的，通常三个方向设成一样就行。

3.2 直通滤波（ROI提取）：只关心“有用”的区域

降采样之后，下一步就是划定感兴趣区域（ROI）。

为什么？因为一辆车前方50米的路面，和左右两侧的建筑、树木，对车道线检测来说完全是噪声。我们只关心车前方一定范围内的路面。

直通滤波，就是沿着某个坐标轴方向，设定一个范围，只保留这个范围内的点。

我一般会这样设：

• X方向（车辆前方）：0米到50米。太近的点（比如车头正下方）没有意义，太远的点稀疏且噪声大。
• Y方向（左右）：-10米到10米。一般车道宽度3.5米，左右各10米足够覆盖相邻车道。
• Z方向（高度）：-1.5米到0.5米。路面高度设为0，往上0.5米（路沿、低矮障碍物），往下1.5米（路面以下的地面反射）。

代码示例：

// 直通滤波 - 提取ROI
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_filtered);
pass.setFilterFieldName("x");
pass.setFilterLimits(0.0, 50.0); // 保留0到50米
pass.filter(*cloud_roi);

pass.setInputCloud(cloud_roi);
pass.setFilterFieldName("y");
pass.setFilterLimits(-10.0, 10.0);
pass.filter(*cloud_roi);

pass.setInputCloud(cloud_roi);
pass.setFilterFieldName("z");
pass.setFilterLimits(-1.5, 0.5);
pass.filter(*cloud_roi);

我曾经犯过一个错误：先做直通滤波再做体素滤波。结果发现ROI外的点虽然被滤掉了，但体素滤波的计算量并没有减少多少。后来我改成先降采样、再提ROI，速度提升了一倍。你想想看，先让数据瘦身，再切掉不要的部分，是不是更合理？

3.3 统计滤波去噪：干掉“离群点”

ROI提取之后，点云里可能还有一些“孤魂野鬼”——比如飞鸟、扬尘、或者激光雷达自身的反射噪声。这些点数量少，但位置随机，对车道线拟合影响很大。

统计滤波的原理很简单：对每个点，计算它到周围K个邻居的平均距离。如果这个平均距离大于某个阈值，就认为它是离群点，删掉。

说白了，就是“看你和邻居们的关系好不好”。如果周围都没人，那你就是噪声。

我习惯的参数设置：

• K（邻居数量）：50。这个值不能太小，否则会把一些边缘点误判为噪声；也不能太大，否则计算量爆炸。
• 标准差倍数（stddev_mul）：1.0。这个值越小，去噪越狠。对于车道线场景，1.0倍标准差比较合适。

// 统计滤波去噪
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_roi);
sor.setMeanK(50);          // 邻居数量
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_denoised);

3.4 半径滤波去噪：另一种“社交”策略

统计滤波看的是“平均距离”，而半径滤波看的是“一定半径内有多少个邻居”。

具体来说：对每个点，设定一个半径r，统计这个半径内有多少个点。如果数量少于某个阈值，就认为它是离群点。

这两种滤波有什么区别？

滤波方法	判断依据	适用场景
统计滤波	邻居平均距离 vs 全局标准差	均匀分布的噪声（如高斯噪声）
半径滤波	半径内邻居数量 vs 阈值	孤立点、小簇噪声（如飞鸟、扬尘）

我个人习惯是先做统计滤波，再做半径滤波。统计滤波干掉大片的稀疏噪声，半径滤波再清理那些漏网的小点。

半径滤波的参数设置：

• 半径r：0.2米。这个值要和体素大小匹配。体素是0.1米，半径0.2米意味着每个点周围至少有2-3个体素内的点。
• 最小邻居数：3。也就是说，半径0.2米内如果少于3个点，就删掉。

// 半径滤波去噪
pcl::RadiusOutlierRemoval<pcl::PointXYZ> rad;
rad.setInputCloud(cloud_denoised);
rad.setRadiusSearch(0.2);   // 搜索半径0.2米
rad.setMinNeighborsInRadius(3); // 最少3个邻居
rad.filter(*cloud_final);

嗯，这里有个坑：如果你把半径设得太大，比如0.5米，那车道线上的点也会被误删，因为车道线本身就很细，半径内可能只有一两个点。所以半径不要超过车道线宽度的一半。

3.5 本章知识体系

为了让你更直观地理解这四步的关系，我画了一张流程图：

这张图很清楚地展示了整个流程：原始点云 → 体素滤波降采样 → 直通滤波提ROI → 统计滤波去噪 → 半径滤波去噪 → 干净点云。每一步的输出，都是下一步的输入。

最后总结一下我的个人经验：

• 体素滤波：0.1米体素，先做，让数据瘦身。
• 直通滤波：X:0-50米，Y:-10到10米，Z:-1.5到0.5米，切出ROI。
• 统计滤波：K=50，stddev=1.0，干掉大片噪声。
• 半径滤波：半径0.2米，最少3个邻居，清理漏网之鱼。

这四步走完，你的点云数据就基本“干净”了。下一章，我们会用这些干净的数据来做地面分割和车道线提取。

嗯，今天就到这里。记住，预处理做得好，后面事半功倍。我在项目里吃过不少预处理的亏，希望你少走弯路。