4. 点云预处理
在3D视觉引导定位与抓取项目中，传感器（如双目相机、结构光或ToF）直接输出的原始点云往往包含大量噪声、离群点、冗余数据以及非目标区域的背景点。若将这些原始数据直接送入配准、分割或位姿估计模块，不仅计算开销巨大，而且极易导致定位精度下降甚至算法失效。点云预处理的核心目标是在保留目标物体关键几何特征的前提下，最大限度地去除干扰数据，并将点云数据转换为后续算法更易处理的形式。本章将系统讲解直通滤波、体素滤波、统计滤波三种最常用的点云滤波方法，并深入探讨法线估计的原理与工程实践。
上图展示了点云预处理的完整工程链路。在实际项目中，这四步操作通常以流水线方式串联执行，每一步的输出作为下一步的输入。下面我们将逐一深入剖析每个环节的原理、参数选择依据及常见陷阱。
4.1 直通滤波：快速裁剪感兴趣区域
核心原理
直通滤波（PassThrough Filter）是最简单、计算开销最小的点云滤波方法。其核心思想是：在指定坐标轴（X、Y、Z）上设定一个取值范围，将不在该范围内的点全部剔除。对于3D视觉引导抓取场景，相机通常固定安装在机械臂上方或侧面，目标物体出现在一个相对固定的空间区域内。通过直通滤波，我们可以快速去除背景墙面、地面、远处杂物等无关点云，将计算资源集中在目标区域。
操作流程与参数设置
- 确定ROI范围：根据相机安装高度、视场角（FOV）以及目标物体的可能位置，设定X、Y、Z三个方向的最小值和最大值。例如，相机距地面1.2m，工作台高度0.8m，则可设置Z轴范围为0.7m~1.1m。
- 选择滤波轴：并非所有轴都需要裁剪。若目标在X、Y方向分布较广，可只裁剪Z轴；若工作台上有多个工件需要区分，则需同时裁剪X、Y轴。
- 执行滤波：遍历点云中每个点，判断其坐标是否在设定范围内，保留满足所有轴条件的点。
案例拆解：料筐抓取场景的ROI设定
在某汽车零部件装配线上，3D相机垂直安装在料筐上方1.5m处，料筐尺寸为600mm×400mm×300mm（长×宽×高）。初始点云包含料筐边缘、传送带支架以及后方货架等干扰点。我们设定Z轴范围为0.9m~1.4m（去除地面和相机下方过近点），X轴范围为-0.35m~0.35m，Y轴范围为-0.25m~0.25m。执行直通滤波后，点云数量从约30万点减少至8万点，处理时间仅需3ms，为后续处理节省了约70%的计算量。
常见误区
- 误区一：ROI设置过于精确，导致工件稍有偏移就被裁剪。应保留适当余量。
- 误区二：忽略相机安装角度。若相机倾斜安装，ROI应相应旋转，而非简单使用轴对齐包围盒。
- 误区三：在直通滤波前进行体素滤波。应先裁剪ROI减少点数，再进行下采样，效率更高。
4.2 体素滤波：控制点云密度与均匀性
核心原理
体素滤波（Voxel Grid Filter）是一种下采样方法。它将三维空间划分为若干边长为leaf_size的立方体（体素），每个体素内的所有点用其重心（或中心）点代替。这样既大幅减少了点云数量，又保持了点云的整体几何形状。对于抓取任务，体素滤波的意义在于：统一点云密度，避免近处点密集、远处点稀疏的问题；降低计算复杂度，使后续的法线估计、配准等算法运行更快；抑制微小噪声，体素内的点被平均后，随机噪声得到一定程度的平滑。
参数选择方法
| 场景类型 | 体素尺寸建议 | 说明 |
|---|---|---|
| 小零件（<50mm） | 1~3mm | 保留精细特征，如螺纹、小孔 |
| 中等工件（50~200mm） | 3~5mm | 平衡细节与效率 |
| 大型结构件（>200mm） | 5~10mm | 关注整体轮廓，忽略表面细节 |
| 散乱堆叠抓取 | 2~4mm | 需保留物体边缘信息以区分个体 |
体素尺寸的选择需结合目标物体的最小特征尺寸。例如，若要抓取一个直径20mm的圆柱销，体素尺寸不宜超过2mm，否则圆柱的圆形截面会失真，影响位姿估计精度。
实战场景：减速器壳体抓取
某项目需抓取重约8kg的减速器壳体，壳体表面有多个M8螺纹孔和定位销孔。原始点云约120万点，直接进行法线估计耗时超过2秒。采用5mm体素滤波后，点云降至15万点，法线估计时间缩短至0.3秒。但后续位姿估计时发现，螺纹孔的位置误差达到1.2mm，超出允许的0.5mm公差。分析后调整为3mm体素，点云为35万点，法线估计耗时0.6秒，孔位误差降至0.3mm，满足要求。此案例说明：体素尺寸并非越小越好，需在精度与效率间寻找平衡点。
4.3 统计滤波：剔除离群噪声点
核心原理
统计滤波（Statistical Outlier Removal, SOR）基于以下假设：有效点云在局部区域内的密度是均匀的，而离群点（如飞溅的激光反射点、环境杂散点）与邻近点的距离显著大于平均水平。算法对每个点计算其到所有k个近邻点的平均距离，然后计算整个点云的平均距离的均值μ和标准差σ。若某点的平均邻域距离大于μ + stddev × σ，则判定为离群点并剔除。
关键参数与调优
- k（邻域点数）：通常取20~50。k值过小，统计结果不稳定；k值过大，会平滑掉真实边缘点。默认值30在多数场景表现良好。
- stddev（标准差倍数）：通常取1.0~2.0。值越小，滤波越激进，剔除的点越多。对于噪声较大的传感器（如ToF相机），可适当增大k并减小stddev。
// PCL 统计滤波典型参数
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(30); // 邻域点数
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_filtered);案例拆解：透明塑料件表面的杂散点处理
在抓取透明或半透明塑料件时，结构光相机常因光线穿透产生二次反射，在物体表面形成“毛刺”状离群点。某化妆品包装盒抓取项目中，原始点云中约5%的点为杂散点，分布在物体边缘外侧2~5mm处。采用k=20、stddev=1.5的统计滤波后，杂散点被有效清除，但同时也剔除了部分真实边缘点，导致物体轮廓缩小约1mm。为解决此问题，我们改用条件滤波+统计滤波组合：先通过直通滤波限定ROI，再使用统计滤波，最后对剩余点云进行半径滤波（Radius Outlier Removal）——若某点半径r内邻点数少于阈值则剔除。最终在保留真实边缘的同时清除了杂散点。
常见误区
- 误区一：对所有场景使用相同参数。不同传感器、不同材质的噪声特性差异很大，需针对实际数据调试。
- 误区二：统计滤波无法去除大块连续噪声区域（如镜面反射产生的虚假平面）。此类噪声需结合直通滤波或分割算法处理。
- 误区三：滤波顺序错误。统计滤波应在体素滤波之后执行，因为体素滤波已降低了点云密度，使统计更稳定。
4.4 法线估计：为点云赋予几何属性
核心原理
法线是点云中每个点所在局部表面的朝向信息，是后续点云配准（如ICP）、分割（如区域生长）、位姿估计（如PPF）的基础。法线估计的核心方法是主成分分析（PCA）：对于点云中的某一点p，取其k个近邻点（或半径r内的点），计算这些点的协方差矩阵，该矩阵的最小特征值对应的特征向量即为该点的法线方向。数学上，协方差矩阵C定义为：
C = (1/k) * Σ (p_i - p̄) * (p_i - p̄)^T其中p̄为邻域点的质心。C的特征值λ1≥λ2≥λ3，λ3对应的特征向量即为法线方向。由于法线方向具有二义性（正反两个方向），还需通过视点方向（通常指向相机）进行定向。
邻域选择策略
| 方法 | 参数 | 适用场景 | 优缺点 |
|---|---|---|---|
| K近邻（KNN） | k=10~30 | 点云密度均匀 | 自适应密度变化，但计算量大 |
| 半径搜索 | r=2~5×体素尺寸 | 点云密度不均 | 固定空间尺度，但可能邻域点过少 |
| 混合策略 | 先KNN后半径 | 复杂场景 | 兼顾效率与鲁棒性 |
工程实践：法线估计对抓取位姿的影响
在抓取场景中，法线方向直接决定了机械臂末端执行器的接近方向。若法线估计不准确，可能导致抓取时碰撞工件或抓取点偏移。某项目在抓取汽车连杆时，使用k=10估计法线，发现连杆大头孔边缘的法线方向明显偏斜（误差>15°），导致抓取失败。分析原因：连杆表面有油污，产生镜面反射，局部点云存在微小起伏。将k增大至30后，法线方向误差降至3°以内，抓取成功率从82%提升至97%。
常见误区与复盘
- 误区一：忽略法线定向。未定向的法线方向随机，会导致后续配准或分割算法失效。务必使用视点方向统一法线朝向。
- 误区二：在原始点云上直接估计法线。应先进行体素滤波和统计滤波，否则计算量大且法线受噪声影响严重。
- 误区三：对所有点云使用固定邻域参数。对于薄壁件（如钣金件），法线估计应使用较小邻域；对于厚实铸件，可使用较大邻域。
通过本章的学习，读者应掌握点云预处理的完整流程：直通滤波裁剪ROI → 体素滤波控制密度 → 统计滤波去除离群点 → 法线估计赋予几何属性。每一步的参数选择都需结合具体场景反复调试，没有一劳永逸的万能参数。建议在实际项目中建立参数调试记录表，记录不同参数组合下的处理时间、点云数量、后续算法成功率等指标，以便快速找到最优配置。