一、点云数据基础：从零认识三维世界的“像素”
说实话，我第一次接触点云的时候，脑子里就一个想法——这不就是一堆密密麻麻的坐标点吗？后来做项目做多了，才慢慢体会到，这堆“点”背后藏着的，是整个三维世界的数字化表达。
点云，说白了就是三维空间里一组离散点的集合。每个点通常包含 X、Y、Z 三个坐标值，有时候还带着颜色、强度、法向量这些附加信息。你想想看，我们人眼看世界是连续的，但计算机要理解世界，就得靠这些离散的采样点。
核心理解：点云 ≈ 三维世界的“像素”。一张2D图片由像素网格构成，一个3D点云由空间中的离散点构成。
1.1 点云里到底有什么？
我习惯把点云数据拆成两部分来看：几何信息和属性信息。
- 几何信息：就是每个点的三维坐标 (x, y, z)。这是点云的骨架，决定了物体长什么样。
- 属性信息：包括但不限于——
- 强度值 (Intensity)：激光雷达返回的反射强度。我在做路面检测时，就靠这个区分沥青和车道线。
- 颜色 (RGB)：通常由相机融合得到，视觉上更直观。
- 法向量 (Normal)：每个点所在局部平面的朝向，做分割和识别时特别有用。
- 时间戳：对于运动物体，这个信息能帮你做去畸变。
我的经验：刚入行时我总忽略强度值，觉得坐标就够了。直到有一次做地面分割，沥青和标线的反射率差异让我眼前一亮——强度值才是区分它们的利器。
1.2 常见的点云文件格式
做点云处理，绕不开文件格式。我这些年接触最多的就三种：PCD、LAS、PLY。每种格式都有自己的脾气。
| 格式 | 全称 | 特点 | 常见场景 |
|---|---|---|---|
| PCD | Point Cloud Data | PCL库原生格式，支持ASCII和二进制，灵活度高 | 科研、算法开发、PCL生态 |
| LAS | LASer | 行业标准，支持分类、回波数等属性，压缩率高 | 测绘、地理信息系统 |
| PLY | Polygon File Format | 支持顶点和面片，可带颜色，结构清晰 | 三维重建、计算机图形学 |
PCD 格式是我用得最多的。它的头部信息非常直观，看一眼就知道数据长什么样。比如下面这个例子：
# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z intensity
SIZE 4 4 4 4
TYPE F F F F
COUNT 1 1 1 1
WIDTH 1000
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 1000
DATA ascii
1.0 2.0 3.0 150
1.1 2.1 3.1 155
...你看，FIELDS 告诉你每个点有哪些字段，SIZE 告诉你每个字段占几个字节。这种透明感，让我调试时特别安心。
注意：PCD 的 DATA ascii 模式虽然可读性好，但文件体积大、读写慢。我建议生产环境用 DATA binary，速度能快 5-10 倍。
LAS 格式是测绘领域的“老大哥”。它支持点分类（比如地面、建筑、植被），还有回波次数信息。我曾经处理过一个 LiDAR 扫描的森林数据，LAS 格式里记录了每个点的“回波编号”——第一次回波可能是树冠，最后一次回波才是地面。这个信息对滤波太关键了。
PLY 格式在图形学圈子里很流行。它既能存点云，也能存三角网格。如果你做三维重建，最后输出 PLY 带颜色，视觉效果会非常好。
1.3 点云是怎么获取的？
这个问题，我经常被学生问到。其实获取方式就三大类，各有各的脾气。
1.3.1 激光雷达（LiDAR）
这是目前最主流的方案。激光雷达发射激光束，打到物体上反射回来，通过飞行时间（ToF）计算距离。
- 单线雷达：只扫描一个平面，常用于避障。我最早玩的是 SICK LMS 系列，就一条线，但测距很准。
- 多线雷达：比如 Velodyne 的 16线、32线、64线。线束越多，垂直分辨率越高。我做过一个项目，用 16 线雷达做园区无人车，地面点稀疏得让人头疼——后来换了 32 线，效果立竿见影。
- 固态激光雷达：没有旋转部件，靠光学相控阵或 MEMS 微镜扫描。体积小、寿命长，但视场角有限。
一句话总结：激光雷达精度高、范围远，但价格贵、点云稀疏。多线雷达是 SLAM 的主力，单线雷达适合做平面检测。
1.3.2 深度相机
深度相机（比如 Intel RealSense、Microsoft Kinect、Apple LiDAR）通过结构光或双目立体视觉获取深度图，再转成点云。
- 结构光：投射红外光斑，通过变形计算深度。室内效果好，室外见光死。
- 双目立体：两个摄像头视差计算深度。依赖纹理，白墙会“翻车”。
- ToF 相机：类似激光雷达，但用面阵接收。帧率高，但分辨率低。
我记得有一次用 RealSense D435 做室内重建，光线暗一点点云就全是洞。后来加了补光灯，效果才勉强能看。深度相机适合 1-5 米 的近距离场景，再远误差就大了。
1.3.3 多线雷达 vs 其他方案
这里我多说两句。多线雷达（比如 Velodyne VLP-16、Ouster OS1）是目前自动驾驶和机器人领域的主流选择。为什么？
- 360° 水平视场角：转一圈，周围全扫到。
- 30-100 米测距：高速场景下，提前感知障碍物。
- 抗光照干扰：激光不怕黑夜，也不怕强光。
但多线雷达也有痛点：点云稀疏、垂直分辨率有限、运动畸变。嗯，这些坑我们后面章节会专门讲怎么填。
避坑指南：我曾经在项目里直接用原始点云做匹配，结果因为运动畸变，匹配结果一塌糊涂。后来才意识到——多线雷达扫描一圈需要 100ms，这期间车已经移动了。所以，去畸变是必做的一步。
1.4 本章知识体系
为了让你更直观地理解点云数据的基础脉络，我画了一张图：
这张图把本章的核心内容串起来了。你从中心出发，往三个方向走——先搞清楚点云是什么，再了解怎么存，最后知道怎么来。这三块打扎实了，后面的滤波、分割、配准才有根基。
好了，点云的基础知识就聊到这儿。说实话，这些概念看起来简单，但真正用起来，每个细节都可能让你踩坑。我当年就是吃了不少亏，才慢慢摸清门道的。希望你能从这些经验里少走些弯路。
一句话记住本章：点云是三维世界的离散采样，PCD/LAS/PLY 是三种主流格式，激光雷达和深度相机是两大获取手段。多线雷达是 SLAM 的主力，但别忘了去畸变。
公众号:蓝海资料掘金营，微信deep3321