4. 点云预处理之体素滤波：体素网格下采样原理、PCL VoxelGrid实现、参数选择与效果对比
4.1 为什么要做体素滤波？
做点云处理的朋友都知道，激光雷达一帧数据动不动就十几万甚至几十万个点。这么多点直接丢给后续的聚类、识别模块，计算量太大了。我刚开始做感知的时候，就吃过这个亏——算法跑得慢，还容易内存溢出。
体素滤波，说白了就是用一个小立方体（体素）把空间切分成网格，每个网格里只保留一个代表点。这样既能大幅降低点云密度，又能保留物体的几何结构。嗯，这里要注意：体素滤波不是简单的随机采样，它是有空间意识的。
核心思想：用三维网格把点云空间离散化，每个网格内的所有点用一个点（通常是重心或中心）代替。
4.2 体素网格下采样原理
原理其实不复杂。我一步步拆开来讲：
- 确定包围盒：先算出点云在X、Y、Z三个方向上的最小最大值，形成一个长方体包围盒。
- 划分网格：设定体素边长
leaf_size，把包围盒切成一个个小立方体。 - 点云归类：每个点根据坐标算出它属于哪个体素。
- 计算代表点：每个体素内所有点的重心（或中心）作为输出点。
举个例子：假设体素边长设为0.1米，一个体素里有5个点，它们的坐标分别是(1.01, 2.02, 3.01)、(1.02, 2.01, 3.02)……那最终只保留一个点，坐标取平均值。
我的经验：体素滤波的采样结果对物体边缘的保持效果比随机采样好得多。随机采样可能会把边缘点全丢掉，但体素滤波至少每个网格保留一个点，边缘结构不会断。
4.3 PCL VoxelGrid实现
PCL里实现体素滤波非常简单。我直接上代码：
#include <pcl/filters/voxel_grid.h>
// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// 输出点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
// 创建体素滤波对象
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
// 设置体素边长（单位：米）
sor.setLeafSize(0.1f, 0.1f, 0.1f);
// 执行滤波
sor.filter(*cloud_filtered);
std::cout << "原始点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;你看，核心就三步：创建对象、设置体素大小、执行滤波。代码量很少，但参数选择很关键。
注意：PCL的VoxelGrid默认计算的是体素内所有点的重心，不是中心点。重心能更好地保留局部几何特征，但计算量稍大。如果你追求速度，可以设置 setDownsampleAllData(false) 来优化。
4.4 参数选择与效果对比
体素滤波最关键的参数就是 leaf_size。我根据自己的项目经验，总结了一个参考表：
| 体素边长 (m) | 适用场景 | 点数保留比例 | 效果评价 |
|---|---|---|---|
| 0.05 | 近距离高精度检测 | 约30%-50% | 细节保留好，计算量仍较大 |
| 0.10 | 通用障碍物检测 | 约10%-20% | 平衡了速度和精度，我常用这个 |
| 0.20 | 远距离粗略检测 | 约3%-8% | 速度快，但小物体会丢失 |
| 0.50 | 地图构建、背景滤波 | 约1%-3% | 只保留大尺度结构 |
为什么会这样？你想想看，体素边长越小，网格越密，保留的点就越多。但体素边长太大，一个体素可能覆盖整个行人，那行人就变成一个点了，检测肯定失败。
避坑指南：我曾经在一个项目中，把体素边长设成0.3米，结果行人点云全被滤掉了。后来才发现，行人宽度也就0.5米左右，体素太大直接把行人「吃」掉了。所以体素边长最好小于目标物体最小尺寸的一半。
4.5 效果对比：滤波前后
我拿一个实际场景来说。原始点云有12万个点，用0.1米的体素滤波后，只剩下1.8万个点。但你看地面、车辆、行人的轮廓，基本没变。这就是体素滤波的魅力——用15%的数据量，保留了90%的结构信息。
如果换成0.05米的体素，能保留4万个点，细节更丰富，但计算时间翻倍。如果换成0.2米的体素，只剩6000个点，远处的小物体会完全消失。
我的建议：做障碍物检测时，体素边长取0.08-0.12米最稳妥。既不会丢失行人、自行车等小目标，又能把点云压缩到可处理的范围。如果你做的是高速公路场景，目标都比较大，可以放宽到0.15-0.2米。
4.6 进阶技巧
除了基本的体素滤波，PCL还提供了一些变体：
- ApproximateVoxelGrid：近似体素滤波，速度更快，适合实时系统。我有个项目帧率要求30Hz，就用这个替代了标准版。
- 动态体素：根据距离调整体素大小。近处用小体素保留细节，远处用大体素减少噪声。这个需要自己实现，但效果很好。
- 体素滤波+统计滤波：先体素降采样，再统计滤波去噪。这是我在实际项目中常用的组合拳。
嗯，体素滤波就讲到这里。说白了，它就是点云预处理中最基础也最实用的工具之一。参数选对了，后续的聚类、识别工作会轻松很多。下一节我们聊聊统计滤波，专门对付那些讨厌的离群点。