第3章激光雷达数据基础

第3章：激光雷达数据基础

大家好，我是你们的老朋友。今天咱们来聊聊激光雷达最基础的东西——点云数据。

说实话，我刚开始接触激光雷达那会儿，拿到第一包数据时整个人是懵的。一堆数字，密密麻麻，完全不知道从哪下手。后来踩了不少坑，才慢慢摸清楚这里面的门道。今天就把这些经验分享给你。

3.1 点云数据格式：PCD / PLY / BIN

点云数据存成什么格式？这个问题看似简单，但选错了格式，后面会吃大亏。我见过不少新手，拿着PLY格式的数据做SLAM，结果读写速度慢得让人抓狂。

目前主流的格式有三种：PCD、PLY 和 BIN。咱们一个一个说。

3.1.1 PCD格式

PCD是Point Cloud Data的缩写，由PCL库推广。我个人最喜欢用这个格式，原因很简单——它自带文件头，能清楚告诉你点云有多少点、每个点有哪些字段。

一个典型的PCD文件长这样：

# .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 640
HEIGHT 480
VIEWPOINT 0 0 0 1 0 0 0
POINTS 307200
DATA ascii
0.123 0.456 0.789 128
0.234 0.567 0.890 255
...

看到没？文件头里清清楚楚写着每个字段的类型和大小。这在调试时特别有用。我曾经在项目里遇到过数据对齐问题，就是靠看PCD文件头才找到原因的。

我的习惯：开发阶段用PCD格式，方便调试。部署阶段转成BIN，追求速度。

3.1.2 PLY格式

PLY是Polygon File Format的简称。它比PCD多一个优势——可以存储网格信息。如果你做三维重建，最后要生成模型，PLY是首选。

但说实话，PLY在SLAM领域用得不多。为什么呢？因为它读写速度比PCD慢，而且文件体积偏大。我有个朋友做实时SLAM，一开始用PLY，结果每帧数据要存30毫秒，直接导致系统掉帧。后来换成BIN格式，问题就解决了。

3.1.3 BIN格式

BIN就是二进制文件，没有文件头，没有格式说明，就是纯数据。听起来很原始对吧？但它的优势就是快。

举个例子：一个100万点的点云，PCD格式存成ASCII大概要50MB，BIN格式只要15MB。读写速度更是差了一个数量级。

注意：BIN格式没有文件头，你必须事先知道数据排布方式。我曾经接手过一个项目，前同事留下的BIN文件，没人知道里面存的是(x,y,z,intensity)还是(x,y,z,r,g,b)。最后只能靠猜，折腾了两天。

三种格式的对比，我整理了一张表：

格式	文件大小	读写速度	可读性	适用场景
PCD	中等	中等	好	开发调试
PLY	较大	较慢	好	三维重建、模型存储
BIN	最小	最快	差	实时系统、嵌入式

3.2 点云的基本属性

一个点云点，到底包含哪些信息？这取决于你的激光雷达型号和配置。但最核心的属性就三个：xyz坐标、强度、时间戳。

3.2.1 xyz坐标

这个不用多说，就是点在三维空间中的位置。单位通常是米。但要注意，不同雷达的坐标系定义可能不一样。有的雷达z轴朝上，有的朝前。我刚开始做多传感器融合时，就因为这个坐标系不一致，折腾了好几天。

所以拿到数据的第一件事：确认坐标系。怎么确认？用可视化工具看一眼就知道了。

3.2.2 强度（Intensity）

强度值反映了目标物体对激光的反射能力。白色物体反射强，黑色物体反射弱。这个属性在目标识别中特别有用。

举个例子：车道线通常是白色的，强度值就高；沥青路面是黑色的，强度值就低。利用这个差异，可以轻松分割出车道线。

但要注意，强度值受距离影响很大。同样一个物体，放在10米处和50米处，强度值可能差好几倍。所以做强度相关的算法时，一定要做距离补偿。

  避坑指南：我曾经做过一个项目，直接用原始强度值做分类，结果模型在近处表现很好，远处一塌糊涂。后来加了距离补偿，准确率从72%提升到了91%。

3.2.3 时间戳

时间戳记录了每个点被采集的时刻。对于静态场景，时间戳用处不大。但对于动态场景——比如自动驾驶——时间戳就至关重要了。

为什么？因为激光雷达是逐点扫描的。一个点云帧里，第一个点和最后一个点的时间差可能有100毫秒。如果车辆在运动，这100毫秒内车辆已经移动了好几米。不做时间戳补偿，点云就会变形。

这就是所谓的运动畸变问题。后面讲SLAM时会详细说，这里先留个印象。

3.3 点云可视化工具

光看数字是看不出门道的。你得把点云画出来，用眼睛看。我推荐两个工具：CloudCompare 和 PCL Visualizer。

3.3.1 CloudCompare

CloudCompare是我最常用的可视化工具。它开源、免费、跨平台，功能还特别强大。

它能做什么？

加载各种格式的点云（PCD、PLY、LAS、TXT...）
点云编辑、裁剪、滤波
点云配准、距离计算
颜色渲染、强度显示
剖面查看、统计信息

我建议你花半小时熟悉一下CloudCompare的界面。快捷键记几个常用的：Ctrl+R重置视角，Ctrl+D显示点云信息，Ctrl+Shift+P拾取点坐标。

小技巧：在CloudCompare里，按住Shift键再拖动鼠标，可以旋转视角。按住Ctrl键拖动，可以平移。滚轮缩放。这些操作很顺手。

3.3.2 PCL Visualizer

PCL Visualizer是PCL库自带的可视化模块。它不像CloudCompare那样有图形界面，而是通过代码来控制。适合集成到你的算法流程中。

一个简单的示例：

#include <pcl/visualization/cloud_viewer.h>

pcl::visualization::CloudViewer viewer("点云查看器");
viewer.showCloud(cloud);

while (!viewer.wasStopped())
{
    // 主循环
}

这段代码就能弹出一个窗口，显示你的点云。你可以旋转、缩放、拾取点。虽然界面简陋，但胜在轻量、可控。

我个人习惯是：开发调试用CloudCompare，快速看数据；算法集成用PCL Visualizer，自动化处理。

3.4 本章知识体系

说了这么多，咱们来梳理一下。下面这张图展示了本章的核心知识结构：

嗯，这一章的内容就到这里。数据格式、基本属性、可视化工具，这三块是点云处理的基石。你想想看，如果连数据长什么样都不知道，后面的算法怎么跑得起来？

下一章咱们会深入点云滤波，到时候这些基础知识就用得上了。记住我今天说的那些坑，别重蹈我的覆辙。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录