3. 点云预处理：滤波去噪与地面点去除

点云数据拿到手，第一件事不是急着做检测。你想想看，雷达直接吐出来的原始点云，里面什么妖魔鬼怪都有——噪声点、离群点、地面反射杂波。我做了这么多年雷达感知，可以负责任地告诉你：预处理做不好，后面的算法再牛也白搭。

这一节，咱们就聊聊点云预处理的两个核心任务：滤波去噪和地面点去除。说白了，就是把脏数据洗干净，把没用的地面点扔掉，让后续的目标检测算法能专注在真正的目标上。

3.1 滤波去噪：三种常用方法

滤波去噪，我习惯把它分成三类：体素滤波、统计滤波、半径滤波。每种方法都有自己的脾气，用对了地方效果立竿见影。

3.1.1 体素滤波（Voxel Filter）

体素滤波的核心思想很简单：把空间切成一个个小立方体（体素），每个体素内只保留一个点。这个点通常是体素内所有点的重心，或者直接取中心点。

为什么要这么做？因为毫米波雷达的点云密度其实不低，尤其是近处。几十万个点直接扔给后续算法，计算量太大。体素滤波相当于降采样，同时还能平滑掉一些微小的噪声。

// PCL 实现体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.2f, 0.2f, 0.2f);  // 体素边长 0.2m
voxel_filter.filter(*cloud_filtered);

3.1.2 统计滤波（Statistical Outlier Removal）

统计滤波，说白了就是「看邻居」。每个点周围找K个最近邻，计算这些邻居到该点的平均距离。如果这个平均距离明显大于全局平均值，那这个点大概率是离群噪声。

为什么会这样？因为真实目标的点云是连续的，每个点周围都有很多邻居。而噪声点往往是孤立的，周围没什么点，或者距离很远。

参数	含义	推荐值
K（邻居数）	计算距离时考虑的最近邻个数	20 - 50
std_dev_mult（标准差倍数）	判定阈值：平均距离 > 均值 + std_dev_mult * 标准差	1.0 - 2.0

// PCL 实现统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(30);           // 取30个最近邻
sor.setStddevMulThresh(1.5); // 标准差倍数1.5
sor.filter(*cloud_filtered);

3.1.3 半径滤波（Radius Outlier Removal）

半径滤波的逻辑更直接：在指定半径的球体内，如果点的数量少于某个阈值，就认为它是离群点。

你想想看，一个真实目标上的点，周围半径0.3米内至少得有3-5个点吧？如果半径内就它一个光杆司令，那八成是噪声。

// PCL 实现半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.3);   // 搜索半径 0.3m
ror.setMinNeighborsInRadius(3); // 至少3个邻居
ror.filter(*cloud_filtered);

3.2 地面点去除：RANSAC与平面拟合

地面点去除，是点云预处理里最关键的步骤之一。为什么？因为地面点占了点云总量的30%-50%，而且它们对目标检测没有任何帮助——你总不能把路面当成障碍物吧？

地面点去除的核心假设：地面是一个平面。虽然实际路面有起伏，但在局部范围内，这个假设基本成立。

3.2.1 RANSAC平面拟合

RANSAC（Random Sample Consensus）是一种鲁棒的模型拟合方法。它的思路很暴力：随机选3个点确定一个平面，然后数一数有多少点落在这个平面上。重复这个过程，找到支持点最多的那个平面。

为什么用RANSAC？因为最小二乘法对噪声太敏感。你想想看，如果点云里有个路沿或者减速带，最小二乘法会被带偏。RANSAC天生抗噪声，因为它只关心「大多数点」的共识。

// PCL 实现 RANSAC 地面去除
pcl::SACSegmentation<pcl::PointXYZ> seg;
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers(new pcl::PointIndices);

seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setMaxIterations(100);      // 最大迭代次数
seg.setDistanceThreshold(0.15); // 点到平面的距离阈值
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);

3.2.2 平面拟合的改进方法

RANSAC虽然好用，但有个问题：它假设整个场景只有一个平面。实际场景中，地面可能有坡度，或者有多个不同高度的平面（比如上下坡）。

我常用的改进方法有两种：

1. 分区域拟合：把点云按距离分成多个区域，每个区域独立做RANSAC。近处地面平坦，远处可能有坡度，分开处理更合理。
2. 渐进式拟合：先拟合一个初始平面，去掉地面点，对剩余点再拟合一次。这样能处理多层地面（比如有台阶的场景）。

// 分区域拟合示例（伪代码）
for (int i = 0; i < num_regions; i++) {
    // 提取第i个区域内的点
    pcl::PointCloud<pcl::PointXYZ>::Ptr region_cloud = extractRegion(cloud, i);
    
    // 对该区域做RANSAC
    pcl::SACSegmentation<pcl::PointXYZ> seg;
    seg.setInputCloud(region_cloud);
    seg.setDistanceThreshold(0.15);
    seg.segment(*inliers, *coefficients);
    
    // 提取地面点和非地面点
    extractGroundAndNonGround(region_cloud, inliers, ground, non_ground);
}

3.3 预处理流程总结

说了这么多，我总结一下我自己在项目中常用的预处理流程：

1. 体素滤波：降采样，减少计算量。体素大小0.2m。
2. 半径滤波：干掉明显的孤立噪声点。半径0.3m，最少3个邻居。
3. 统计滤波：处理半孤立点。K=30，标准差倍数1.5。
4. RANSAC地面去除：分区域拟合，距离阈值0.15m，法向量约束。

这个流程我用了好几年，在高速、城市、乡村各种场景都验证过。当然，具体参数要根据你的雷达型号和应用场景微调。嗯，这就是经验的价值所在。