3. 点云获取技术：激光雷达、结构光、双目视觉与深度相机

好，咱们进入正题。点云怎么来的？说白了，就是靠各种传感器去「摸」物体的三维形状。我这些年折腾下来，主流的获取手段就这四种：激光雷达、结构光、双目视觉，还有深度相机。每种都有它的脾气，选错了，后面去噪补全的工作量能翻好几倍。

3.1 激光雷达（LiDAR）—— 精度之王，但贵得肉疼

激光雷达的原理，其实特别简单。就是发射一束激光，打到物体上反射回来，根据飞行时间算出距离。嗯，就是TOF（Time of Flight）原理。我最早接触LiDAR是在一个户外大型建筑扫描项目上，那会儿用的还是单线雷达，扫一圈要半天。

特点：

• 精度高：毫米级，甚至亚毫米级。我见过最好的工业级LiDAR，精度能到0.1mm。
• 抗干扰强：不受环境光影响，白天黑夜都能干。
• 缺点：贵。一个64线的机械式LiDAR，够买一辆小汽车了。而且点云稀疏，尤其是远距离。

3.2 结构光 —— 精度高，但怕阳光

结构光，说白了就是投影仪+相机。投影仪打出特定图案（比如条纹、网格），相机拍下变形后的图案，通过三角测量算出深度。我当年做人脸扫描时，用的就是结构光。效果确实好，皮肤纹理都能扫出来。

特点：

• 精度高：近距离（1米以内）精度极高，甚至比LiDAR还细。
• 速度快：一次投影就能获取整个面的深度信息。
• 致命伤：怕强光。太阳底下基本废掉。我曾在户外试过一次，投影图案被太阳光淹没了，啥也扫不出来。

3.3 双目视觉 —— 最像人眼，但计算量大

双目视觉，就是模仿人的两只眼睛。两个相机从不同角度拍同一物体，通过匹配两幅图像中的对应点，算出视差，再反推出深度。这个方法成本最低，两个普通摄像头就行。

特点：

• 成本低：硬件便宜，适合大规模部署。
• 纹理依赖：物体表面必须有纹理，否则匹配会失败。白墙、镜面、透明物体，都是噩梦。
• 计算量大：匹配算法很吃算力。我优化过一个双目系统，为了实时性，不得不降低分辨率。

3.4 深度相机（如Kinect）—— 便宜好用，但精度一般

深度相机，典型代表就是微软的Kinect。它其实结合了结构光和TOF两种技术。第一代Kinect用的是结构光，第二代开始用TOF。我买过一个二手的Kinect v2，用来做室内场景重建，效果还行，就是噪点多了点。

特点：

• 便宜：几百块钱，入门神器。
• 帧率高：能做到30fps，适合动态场景。
• 精度有限：一般精度在厘米级，远距离误差更大。而且容易受环境光影响。

3.5 四种技术对比

为了让你看得更清楚，我整理了一张表。你想想看，选哪种，心里就有数了。

技术	精度	成本	抗环境光	适用场景
激光雷达	高（毫米级）	高	强	户外、大场景、自动驾驶
结构光	高（近距离）	中	弱	室内、人脸扫描、物体建模
双目视觉	中	低	中	室内外、有纹理场景
深度相机	低（厘米级）	低	弱	室内、动态场景、入门学习

3.6 知识体系结构图

下面这张图，是我用SVG画的，把四种技术的核心逻辑串起来了。你可以把它当作本章的「地图」。

3.7 如何选择？

你可能会问：「那我到底该用哪种？」嗯，这个问题没有标准答案。我个人的经验是：

• 做自动驾驶：别想了，激光雷达是必须的。虽然贵，但安全第一。
• 做室内建模：深度相机或结构光都行。预算多就上结构光，精度好。
• 做物体扫描：结构光首选，尤其是小物体。
• 做视觉SLAM：双目视觉性价比最高，但要做好算法优化。