点云预处理：让原始数据变得“干净”
大家好，我是你们的讲师。今天我们来聊聊点云预处理。说实话，这是整个激光雷达感知算法里最“脏”最累的活，但也是最重要的一步。
你想想看，激光雷达扫出来的原始点云，那叫一个“原生态”——远处有飘着的噪点，近处有地面反射的杂波，还有各种你根本不想看到的背景物体。我刚开始做这个方向时，就吃过这个亏：直接把原始点云丢进检测网络，结果模型训练出来跟个“瞎子”似的，啥都认不准。
所以，预处理就是给点云“洗澡”。洗得干净，后面的算法才能跑得顺。今天我们要讲四种最常用的滤波方法：直通滤波、体素滤波、统计滤波和半径滤波。它们各有各的脾气，也各有各的用武之地。
核心观点：预处理不是“可选项”，而是“必选项”。跳过这一步，后面的算法精度会大打折扣。
直通滤波：最简单的“切蛋糕”
直通滤波，说白了就是“切一刀”。你设定一个范围，比如 x 轴从 -50 米到 50 米，那么在这个范围之外的点，全部砍掉。
我个人的习惯是，拿到点云数据后，第一件事就是做直通滤波。为什么？因为激光雷达的视野虽然广，但真正有用的区域往往就在车前方几十米。远处的点不仅稀疏，而且噪声大，留着反而干扰算法。
小技巧：直通滤波的参数设置要结合你的应用场景。高速场景可以设远一点（100米），城区场景设近一点（50米）就够了。
// C++ 示例：PCL 直通滤波
#include <pcl/filters/passthrough.h>
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z"); // 沿 Z 轴滤波
pass.setFilterLimits(-1.5, 2.0); // 保留 -1.5 到 2.0 米之间的点
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_filtered);你看，代码就这么几行。但别小看它。我曾经在一个项目中，就因为没做直通滤波，导致后面的地面分割算法把远处的树梢当成了地面点，结果整个路径规划都乱了套。
体素滤波：给点云“瘦身”
体素滤波，也叫体素网格滤波。它的思路很简单：把空间划分成一个个小立方体（体素），每个体素里只保留一个点（通常是重心点）。
为什么要做这个？因为激光雷达一帧数据可能有几十万个点，直接处理太慢了。我做过测试，一个 64 线激光雷达的原始点云，不做降采样的话，在嵌入式设备上跑检测算法，帧率能掉到 5 FPS 以下。这哪行啊？
| 体素大小 | 点云数量（约） | 处理时间 | 精度影响 |
|---|---|---|---|
| 0.1m | 80,000 | 慢 | 几乎无影响 |
| 0.2m | 30,000 | 中等 | 轻微 |
| 0.5m | 8,000 | 快 | 明显 |
注意：体素大小不是越小越好。太小了降采样效果不明显，太大了会丢失细节。我一般从 0.2m 开始试，根据实际效果调整。
// C++ 示例：PCL 体素滤波
#include <pcl/filters/voxel_grid.h>
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud);
voxel.setLeafSize(0.2f, 0.2f, 0.2f); // 体素边长 0.2 米
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
voxel.filter(*cloud_filtered);嗯，这里要注意一点：体素滤波会改变点的精确位置。如果你做的是高精度定位，那就要慎重了。但对于目标检测来说，这个精度损失完全可以接受。
统计滤波：揪出“离群点”
统计滤波，英文叫 Statistical Outlier Removal。它的原理是基于一个观察：在点云中，正常点周围的邻居多，而噪声点周围的邻居少。
具体做法是：对每个点，计算它到 k 个最近邻的平均距离。如果这个平均距离超出了全局均值的一定标准差范围，就把它标记为离群点，删掉。
我遇到过最典型的场景是：激光雷达在雨天工作时，雨滴会反射出很多孤立的噪点。这些点用肉眼都看得出来，但算法可不会自动忽略它们。统计滤波就是专门干这个的。
// C++ 示例：PCL 统计滤波
#include <pcl/filters/statistical_outlier_removal.h>
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 考虑 50 个最近邻
sor.setStddevMulThresh(1.0); // 标准差倍数阈值
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);参数调优建议：setMeanK 一般取 20-50，setStddevMulThresh 取 1.0-2.0。阈值越小，删除的点越多。我建议先从保守的参数开始，逐步收紧。
半径滤波：另一种“社交距离”判断
半径滤波和统计滤波有点像，但判断逻辑不同。它看的是：在某个半径范围内，点的数量是否达到阈值。如果不够，就认为这个点是孤立的，删掉。
说白了，统计滤波看的是“平均距离”，半径滤波看的是“邻居数量”。两者各有优劣。我个人更喜欢用半径滤波，因为它的物理意义更直观——你设定一个半径，比如 0.5 米，然后说“在这个圈子里至少要有 3 个点”，否则就删掉。
// C++ 示例：PCL 半径滤波
#include <pcl/filters/radius_outlier_removal.h>
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.5); // 搜索半径 0.5 米
ror.setMinNeighborsInRadius(3); // 最少 3 个邻居
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
ror.filter(*cloud_filtered);经验之谈：半径滤波对稀疏点云效果不太好。如果点云本身就很稀疏，建议用统计滤波代替。我曾经在高速场景下用半径滤波，结果把远处的车辆点云也误删了，后来改用了统计滤波才解决问题。
四种滤波的“组合拳”
在实际项目中，很少只用一种滤波。我通常的流程是：
- 先直通滤波：砍掉远处的无用点，缩小处理范围
- 再体素滤波：降采样，减少计算量
- 最后统计/半径滤波：去除噪声点
这个顺序是有讲究的。先做直通滤波可以减少后续处理的数据量，体素滤波放在统计滤波之前可以避免把稀疏区域的点误判为噪声。你想想看，如果先做统计滤波，体素滤波又把点给合并了，那统计滤波的效果不就白费了吗？
好了，这就是点云预处理的四种核心方法。代码都很简单，但参数调优需要经验积累。我建议你多拿几组不同场景的数据试试，找到最适合你项目的参数组合。