4. 点云数据处理：点云滤波、点云配准（ICP、NDT）、点云分割、点云分类

点云数据处理，说白了就是给激光雷达「擦亮眼睛」。

我刚开始做高精地图那会儿，拿到一帧原始点云数据，密密麻麻全是点。但真正有用的信息，其实只占一小部分。剩下的呢？大多是噪声、地面反射杂波，还有那些飞来飞去的飞虫。

所以，点云处理的第一步，永远是滤波。

4.1 点云滤波：去噪与降采样

滤波的目的很简单：去掉没用的，留下有用的。但怎么定义「有用」？这得看场景。

4.1.1 体素滤波（Voxel Grid Filter）

这是我最常用的降采样方法。原理不复杂：把空间切成一个个小立方体（体素），每个体素里只保留一个重心点。

举个例子，一帧64线激光雷达的数据，原始可能有十几万个点。用0.2米的体素一过滤，能降到两三万个点。计算量瞬间就下来了。

// PCL 中的体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> vg;
vg.setInputCloud(cloud);
vg.setLeafSize(0.2f, 0.2f, 0.2f);  // 体素边长0.2米
vg.filter(*cloud_filtered);

4.1.2 直通滤波（PassThrough Filter）

这个更简单。我只保留某个轴向上的点。比如，我只关心地面以上0.5米到3米之间的点。超出这个范围的，直接扔掉。

为什么？因为高精地图主要关注路面标识、护栏、路沿。天上的树枝、地下的井盖，都不是我想要的。

4.1.3 统计滤波（Statistical Outlier Removal）

这个用来去除离群点。原理是：每个点周围都有邻居。如果某个点离邻居太远，那它大概率是噪声。

我记得有一次在隧道里采集数据，激光雷达打到墙壁上，产生了大量散射点。用统计滤波一跑，干净多了。

4.2 点云配准：ICP与NDT

配准，说白了就是「对齐」。把不同时刻、不同位置扫到的点云，拼到同一个坐标系里。

高精地图的构建，本质上就是不断做配准。你想想看，车在跑，激光雷达在扫，每一帧都是局部数据。怎么把它们拼成一张完整的地图？靠的就是配准算法。

4.2.1 ICP（迭代最近点）

ICP是经典中的经典。原理很直观：找两片点云中距离最近的点对，然后算一个旋转平移矩阵，让这些点对的距离之和最小。

但ICP有个致命弱点：对初始位置敏感。如果两片点云一开始就离得远，它很容易陷入局部最优。

// PCL 中的 ICP 示例
pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setInputSource(cloud_source);
icp.setInputTarget(cloud_target);
icp.setMaxCorrespondenceDistance(0.5);  // 最大匹配距离
icp.setMaximumIterations(50);
icp.align(*cloud_final);

4.2.2 NDT（正态分布变换）

NDT是ICP的替代方案。它不直接匹配点，而是把点云用概率分布来表示。

具体做法是：把空间分成网格，每个网格里计算点的均值和协方差。配准时，找的是让概率密度最大的变换。

我个人更喜欢NDT。为什么？因为它对初始位置不那么敏感，而且速度更快。在城区道路这种特征丰富的场景下，NDT的鲁棒性明显优于ICP。

// PCL 中的 NDT 示例
pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt;
ndt.setInputSource(cloud_source);
ndt.setInputTarget(cloud_target);
ndt.setResolution(1.0);  // 网格分辨率
ndt.setMaximumIterations(30);
ndt.align(*cloud_final);

4.3 点云分割：提取地面与障碍物

分割，就是把点云分成不同的「物体」。在高精地图里，最重要的分割是：地面分割和障碍物分割。

4.3.1 地面分割

地面点占了点云的大头。如果不先去掉地面，后续的聚类和分类都会受影响。

常用的方法是RANSAC平面拟合。我设定一个高度阈值，把符合平面模型的点都标为地面。

// PCL 中的 RANSAC 平面分割
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.1);  // 距离阈值
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);

嗯，这里要注意。如果路面有坡度，RANSAC会误把坡面也当成地面。我一般会结合高度直方图来做二次校验。

4.3.2 欧几里得聚类

去掉地面后，剩下的点就是障碍物了。怎么区分不同的障碍物？用欧几里得聚类。

原理很简单：点与点之间的距离小于某个阈值，就认为它们属于同一个物体。

我记得有一次在停车场，两辆车停得很近。聚类阈值设大了，两辆车被当成一个物体。设小了，一辆车被分成好几块。后来我根据激光雷达的线束密度，动态调整了阈值，效果才好起来。

4.4 点云分类：识别道路元素

分类，是点云处理的最后一环。它要回答的问题是：这个点属于什么？是路沿？是护栏？还是交通标志牌？

4.4.1 基于几何特征的方法

传统方法靠手工特征。比如：

• 高度特征：路沿通常比地面高10~15厘米
• 法向量：墙面法向量是水平的，地面法向量是垂直的
• 曲率：杆状物的曲率变化大，平面物的曲率变化小

我早期做的一个项目，就是用这些特征组合，配合随机森林分类器，实现了90%以上的分类准确率。

4.4.2 基于深度学习的方法

现在主流是用PointNet++或RandLA-Net这类网络。它们能直接处理无序点云，自动学习特征。

但深度学习有个问题：需要大量标注数据。我建议先用传统方法做快速原型验证，再上深度学习做精细化分类。

好了，这一章的内容就到这里。下一章我们会聊点云语义地图的构建，那是把分类结果真正用起来的关键一步。