一、点云预处理技术：让原始数据变得“可用”

做激光雷达点云深度学习，有个残酷的现实我得先告诉你：原始点云数据，基本没法直接用。

你想想看，一帧64线激光雷达的数据，动辄十几万个点。这里面有噪声、有离群点、有地面、有天空，甚至还有雨滴和飞虫反射回来的假点。如果直接把这种“脏数据”扔进网络，模型大概率会学歪。

所以，预处理这一步，说白了就是给数据“洗澡”。我做了这么多年点云项目，可以负责任地说：预处理做得好，模型训练事半功倍；预处理偷懒，后面调参调到哭。

今天我们就来聊聊点云预处理的几个核心操作：降采样、去噪、滤波、法向量估计。嗯，一个一个来。

1.1 体素滤波降采样：用“格子”来压缩数据

体素滤波，英文叫Voxel Grid Filter。原理特别简单：把空间切成一个个小立方体（体素），每个体素里只保留一个点。

这个点怎么选？通常是体素内所有点的重心，或者直接取中心点。我个人习惯用重心，因为能保留更多局部形状信息。

为什么要降采样？原因有两个：

• 计算量太大——十几万个点，网络根本吃不消
• 冗余太多——同一平面上的点，其实信息高度重复

体素大小怎么设？我一般设0.05米到0.1米。太小了降采样效果不明显，太大了会把细节磨平。我在做自动驾驶路沿检测时，试过0.2米的体素，结果路沿直接变成了一坨“毛边”，根本没法用。

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("lidar_frame.pcd")

# 体素滤波，体素大小0.05m
down_pcd = pcd.voxel_down_sample(voxel_size=0.05)

print(f"原始点数: {len(pcd.points)}")
print(f"降采样后: {len(down_pcd.points)}")

1.2 统计滤波去噪：干掉“孤魂野鬼”

统计滤波，英文Statistical Outlier Removal。它的逻辑是：如果一个点周围邻居太少，那它大概率是噪声。

具体做法是：对每个点，计算它到k个最近邻的平均距离。如果这个距离超过全局均值+若干倍标准差，就判定为离群点，直接删掉。

我遇到过最典型的场景：下雨天采集的数据，雨滴反射回来的点就是典型的“孤魂野鬼”。统计滤波一过，干干净净。

参数怎么调？两个关键值：

• k（邻居数）：一般设20-50。太小了容易误删，太大了去噪效果变差
• std_ratio（标准差倍数）：一般设1.0-2.0。值越小，去噪越狠

# 统计滤波去噪
cl, ind = down_pcd.remove_statistical_outlier(
    nb_neighbors=20, 
    std_ratio=2.0
)
clean_pcd = down_pcd.select_by_index(ind)

print(f"去噪前: {len(down_pcd.points)}")
print(f"去噪后: {len(clean_pcd.points)}")

1.3 半径滤波去噪：另一种“社交距离”判断

半径滤波和统计滤波思路类似，但判断标准不同：如果一个点周围指定半径内的邻居数少于阈值，就删掉。

说白了，统计滤波看的是“距离分布”，半径滤波看的是“绝对密度”。

什么时候用半径滤波？我个人的经验是：当场景密度不均匀时，半径滤波更靠谱。比如近处点很密、远处点很稀的场景，统计滤波容易把远处的有效点也删掉，但半径滤波只要设好半径和最小点数，就能保留下来。

# 半径滤波去噪
cl, ind = clean_pcd.remove_radius_outlier(
    nb_points=16, 
    radius=0.05
)
final_pcd = clean_pcd.select_by_index(ind)

1.4 直通滤波：快速“切”出感兴趣区域

直通滤波，PassThrough Filter，是预处理里最简单、最暴力的操作。直接按坐标轴范围切一刀。

比如我只关心前方50米内的障碍物，那就把x轴范围设在0到50米。或者我只关心地面以上2米内的物体，那就把z轴范围设在-0.5到2.0米。

为什么需要直通滤波？因为很多场景下，我们只对特定区域感兴趣。比如自动驾驶，车顶的树叶、远处的天空，这些点对模型训练毫无意义，反而会引入噪声。

import numpy as np

# 手动实现直通滤波
points = np.asarray(final_pcd.points)

# 只保留前方30米，高度-0.5到2.0米
mask = (points[:, 0] > 0) & (points[:, 0] < 30) & \
       (points[:, 2] > -0.5) & (points[:, 2] < 2.0)

filtered_points = points[mask]

1.5 点云法向量估计：给每个点“定方向”

法向量，就是点云表面每个点的朝向。它有什么用？法向量是很多高级特征的基础。

比如：

• 地面分割——地面点的法向量基本朝上
• 边缘检测——法向量突变的地方就是边缘
• 点云配准——法向量能帮助找到对应点

法向量怎么算？最常用的方法是PCA（主成分分析）。对每个点，找它周围的k个邻居，然后计算这些点的协方差矩阵，最小特征值对应的特征向量就是法向量。

嗯，这里要注意：法向量有方向歧义性。同一个平面，法向量可以朝上也可以朝下。所以一般需要做“法向量定向”，让所有法向量都指向同一个方向（比如朝向视点）。

# 计算法向量
final_pcd.estimate_normals(
    search_param=o3d.geometry.KDTreeSearchParamHybrid(
        radius=0.1, max_nn=30
    )
)

# 查看法向量
normals = np.asarray(final_pcd.normals)
print(f"法向量形状: {normals.shape}")

1.6 特征计算：从几何到语义的“桥梁”

有了法向量，我们就可以计算更丰富的几何特征了。常见的点云特征包括：

特征名称	含义	典型应用
曲率	表面弯曲程度	角点检测、平面分割
粗糙度	局部表面起伏程度	地面与非地面分类
FPFH	快速点特征直方图	点云配准、物体识别
SHOT	方向直方图特征	3D物体识别

这些特征说白了，就是把点云的“几何形状”翻译成“数字向量”，让深度学习模型能理解。

我个人最常用的是曲率和粗糙度。为什么？因为计算快，而且对大部分任务都够用。FPFH虽然更鲁棒，但计算量太大，实时场景基本扛不住。

# 计算曲率（通过PCA特征值）
from sklearn.decomposition import PCA

def compute_curvature(points, k=30):
    curvatures = []
    for p in points:
        # 找k个最近邻
        # 计算协方差矩阵
        # 特征值分解
        # 曲率 = 最小特征值 / 特征值之和
        pass  # 具体实现略
    return curvatures