第2章点云数据基础

第2章：点云数据基础

大家好，我是你们的老朋友。今天咱们聊聊点云数据的基础。

说实话，我刚入行那会儿，拿到第一包激光雷达数据时，整个人是懵的。一堆三维坐标点，密密麻麻，完全不知道从哪下手。后来才明白，搞懂点云的数据结构，就像学开车先要认识方向盘和油门一样重要。

2.1 点云数据结构：XYZI 与 XYZRGB

点云说白了，就是一堆三维点的集合。每个点都带着自己的“身份证”——也就是属性信息。

2.1.1 XYZI 格式

这是最常见的格式。X、Y、Z 是空间坐标，I 是反射强度（Intensity）。

为什么强度这么重要？ 我举个例子。你在路上扫描一个白色车牌和黑色轮胎，激光打回去的能量完全不同。强度值就能帮你区分它们。我在做车道线检测时，就靠强度值把白色车道线从灰色路面里揪出来，效果出奇的好。

核心要点： XYZI 是机械式激光雷达的标配。Velodyne、Hesai 的 16线、32线、64线雷达，输出的基本都是这个格式。

2.1.2 XYZRGB 格式

这个格式多了 RGB 颜色信息。每个点除了坐标，还带着红绿蓝三个通道的颜色值。

你可能会问：“激光雷达不是只发激光吗？哪来的颜色？” 嗯，这其实是融合的结果。通常是把摄像头图像和激光点云做对齐，把像素颜色赋给对应的点。我在做行人检测时，光靠点云形状有时分不清人和路灯杆，加上颜色信息后，准确率直接提升了十几个点。

我的小技巧： 如果你手头只有 XYZI 数据，又想用颜色信息，可以试试把强度值映射成灰度图。虽然不是真彩色，但聊胜于无。

2.2 常见激光雷达数据特点

市面上的激光雷达五花八门，但主要分两大类：机械式和固态。它们的点云数据特点完全不同。

2.2.1 机械式激光雷达

这种雷达有个旋转的“脑袋”，里面是一排激光发射器。Velodyne HDL-64E 就是典型代表。

数据特点： 360度水平视场角，垂直视场角一般30度左右。点云呈环状分布，一圈一圈的。
密度分布： 近处点密，远处点稀。因为激光束是放射状的。
常见问题： 有盲区。雷达正上方和正下方是扫不到的。我记得有一次做停车场项目，车顶装了64线雷达，结果车正上方的限高杆死活扫不全，后来不得不调整安装角度。

注意： 机械式雷达的旋转部件容易磨损。我见过一台用了两年的雷达，点云开始出现“丢帧”现象，就是某些角度突然没数据了。定期校准很重要。

2.2.2 固态激光雷达

固态雷达没有旋转部件，靠电子扫描或者闪光方式成像。比如 Livox 的 Horizon 系列。

数据特点： 视场角有限，一般水平120度左右。点云呈花瓣状或网格状分布，不像机械式那样规整。
密度分布： 相对均匀，没有明显的近密远疏现象。
优势： 体积小、寿命长、成本低。我最近做的一个园区无人车项目，就全用的固态雷达，装在车头两侧，效果很稳。

两种雷达怎么选？ 我个人习惯是：需要360度感知的场景，比如 L4 级自动驾驶，必须上机械式。如果只是前向感知，比如 AEB（自动紧急制动），固态雷达完全够用，还省钱。

2.3 PCL 与 Open3D 库简介

工欲善其事，必先利其器。点云处理离不开好用的库。我主要用两个：PCL 和 Open3D。

2.3.1 PCL（Point Cloud Library）

PCL 是点云处理的老牌库，C++ 写的，功能极其强大。滤波、分割、配准、识别，几乎你能想到的点云算法，它都有。

我的评价： PCL 就像瑞士军刀，什么都能干。但学习曲线陡，编译起来也麻烦。我第一次编译 PCL 时，折腾了整整一天，各种依赖报错。

一个简单的 PCL 读取点云示例：

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);
if (pcl::io::loadPCDFile<pcl::PointXYZI>("scan.pcd", *cloud) == -1) {
    PCL_ERROR("Couldn't read file.\n");
    return -1;
}
std::cout << "Loaded " << cloud->points.size() << " points." << std::endl;

2.3.2 Open3D

Open3D 是后来崛起的库，支持 C++ 和 Python。它的设计理念是“易用”。

优势： Python 接口非常友好，几行代码就能可视化点云。
适合场景： 快速原型开发、数据探索、教学演示。
缺点： 算法丰富度不如 PCL，一些高级功能需要自己实现。

用 Open3D 读取并显示点云：

import open3d as o3d

pcd = o3d.io.read_point_cloud("scan.pcd")
print(f"Loaded {len(pcd.points)} points.")
o3d.visualization.draw_geometries([pcd])

我的建议： 做工程落地用 PCL，性能好、稳定。做算法验证和快速实验用 Open3D，开发效率高。我现在的流程是：先用 Open3D 在 Python 里调通算法，再移植到 PCL 的 C++ 代码里上线。

2.4 本章小结

这一章我们聊了：

点云的两种常见数据结构：XYZI 和 XYZRGB
机械式与固态激光雷达的数据特点对比
PCL 和 Open3D 两个库的适用场景

嗯，基础打牢了，后面咱们才能玩转降噪和地面分割。下一章，我会带大家亲手写代码，看看点云到底长什么样。

📚 课程目录