激光雷達(dá)作為自動(dòng)駕駛最常用的傳感器，經(jīng)常需要使用激光雷達(dá)來(lái)做建圖、定位和感知等任務(wù)。

而這時(shí)候使用降低點(diǎn)云規(guī)模的預(yù)處理方法，可以能夠去除無(wú)關(guān)區(qū)域的點(diǎn)以及降低點(diǎn)云規(guī)模。并能夠給后續(xù)的PCL點(diǎn)云分割帶來(lái)有效的收益。

點(diǎn)云預(yù)處理

1.1 指定區(qū)域獲取點(diǎn)云

在實(shí)際使用中，我們可以看出，雖然點(diǎn)云的分布范圍較廣，但大部分的點(diǎn)都集中的中間區(qū)域，距離越遠(yuǎn)點(diǎn)云越稀疏，相對(duì)的信息量也越小。

此外還能明顯看到一些離群點(diǎn)，因此我們可以篩選掉一些較遠(yuǎn)的點(diǎn)，只保留我們感興趣范圍內(nèi)的點(diǎn)。以下為保留 x 在 30m，y 在 15m，z 在 2m 范圍內(nèi)的點(diǎn)的效果：

template < class PointType >void removePointsOutsideRegion(boost::shared_ptr< pcl::PointCloud< PointType > >& src_cloud_ptr,                               boost::shared_ptr< pcl::PointCloud< PointType > >& dst_cloud_ptr,                               const std::pair< double, double >& x_range,                               const std::pair< double, double >& y_range,                               const std::pair< double, double >& z_range) {    int num_points = src_cloud_ptr- >points.size();    boost::shared_ptr< pcl::PointCloud< PointType > > cloud_ptr(new pcl::PointCloud< PointType >());    cloud_ptr- >points.reserve(num_points);    for (const auto& pt : src_cloud_ptr- >points) {        bool inside = (pt.x  >= x_range.first && pt.x < = x_range.second && pt.y  >= y_range.first &&                       pt.y < = y_range.second && pt.z  >= z_range.first && pt.z < = z_range.second);        if (inside) {            cloud_ptr- >points.push_back(pt);        }    }    dst_cloud_ptr = cloud_ptr;} // 或者使用CropBox來(lái)實(shí)現(xiàn)去除給定區(qū)域外的點(diǎn) pcl::CropBox< pcl::PointXYZ > box_filter; box_filter.setInputCloud(cloud_ptr); box_filter.setMin(Eigen::Vector4f(keep_x_range.first, keep_y_range.first, keep_z_range.first, 1.0)); box_filter.setMax(Eigen::Vector4f(keep_x_range.second, keep_y_range.second, keep_z_range.second, 1.0)); box_filter.filter(*temp_cloud_ptr);

1.2 去除給定區(qū)域的點(diǎn)

在某些情況下，我們也會(huì)需要去除給定區(qū)域內(nèi)部的點(diǎn)，比如在自動(dòng)駕駛中激光掃描的區(qū)域有一部分來(lái)自搭載激光雷達(dá)的車(chē)子本身

template < class PointType >void filterPointsWithinRegion(boost::shared_ptr< pcl::PointCloud< PointType > >& src_cloud_ptr,                              boost::shared_ptr< pcl::PointCloud< PointType > >& dst_cloud_ptr,                              const std::pair< double, double >& x_range,                              const std::pair< double, double >& y_range,                              const std::pair< double, double >& z_range,                              bool remove) {    int num_points = src_cloud_ptr- >points.size();    boost::shared_ptr< pcl::PointCloud< PointType > > cloud_ptr(new pcl::PointCloud< PointType >());    cloud_ptr- >points.reserve(num_points);    for (const auto& pt : src_cloud_ptr- >points) {        bool inside = (pt.x  >= x_range.first && pt.x < = x_range.second && pt.y  >= y_range.first &&                       pt.y < = y_range.second && pt.z  >= z_range.first && pt.z < = z_range.second);        if (inside ^ remove) {            cloud_ptr- >points.push_back(pt);        }    }    dst_cloud_ptr = cloud_ptr;}// PassThrough: 可以指定點(diǎn)云中的點(diǎn)的某個(gè)字段進(jìn)行范圍限制，將其設(shè)為 true 時(shí)可以進(jìn)行給定只保留給定范圍內(nèi)的點(diǎn)的功能 pcl::PassThrough< pcl::PointXYZ > pass_filter; bool reverse_limits = true; pass_filter.setInputCloud(filtered_cloud_ptr); pass_filter.setFilterFieldName("x"); pass_filter.setFilterLimits(-5, 5); pass_filter.getFilterLimitsNegative(reverse_limits);  // reverse the limits pass_filter.filter(*filtered_cloud_ptr); pass_filter.setFilterFieldName("y"); pass_filter.setFilterLimits(-2, 2); pass_filter.getFilterLimitsNegative(reverse_limits);  // reverse the limits pass_filter.filter(*filtered_cloud_ptr); pass_filter.setFilterFieldName("z"); pass_filter.setFilterLimits(-2, 2); pass_filter.getFilterLimitsNegative(reverse_limits);  // reverse the limits pass_filter.filter(*filtered_cloud_ptr);

1.3 點(diǎn)云下采樣

1.3.1 柵格化采樣

這里第一點(diǎn)介紹柵格化的下采樣，在 PCL 中對(duì)應(yīng)的函數(shù)為體素濾波。柵格化下采樣大致的思路是計(jì)算整體點(diǎn)云的中心。

通過(guò)計(jì)算每個(gè)點(diǎn)到中心的距離結(jié)合要求的分辨率計(jì)算柵格對(duì)應(yīng)的坐標(biāo)，并入其中，最后遍歷每個(gè)包含點(diǎn)的柵格計(jì)算其中點(diǎn)的幾何中心或者取該柵格中心加入目標(biāo)點(diǎn)云即可。

pcl::VoxelGrid< pcl::PointXYZ > voxel_filter;    voxel_filter.setLeafSize(0.1, 0.1, 0.1);    voxel_filter.setInputCloud(cloud_ptr);    voxel_filter.filter(*filtered_cloud_ptr);

1.3.2 點(diǎn)云所在區(qū)域密度規(guī)律濾波

該方法直接基于點(diǎn)云分布密度進(jìn)行去噪，直觀的感受是可以根據(jù)點(diǎn)云中每個(gè)點(diǎn)所在區(qū)域判斷其是否是噪聲，一般來(lái)說(shuō)噪聲點(diǎn)所在區(qū)域都比較稀疏。

pcl::RadiusOutlierRemoval< pcl::PointXYZ >::Ptr radius_outlier_removal(        new pcl::RadiusOutlierRemoval< pcl::PointXYZ >(true));    radius_outlier_removal- >setInputCloud(cloud_ptr);    radius_outlier_removal- >setRadiusSearch(1.0);    radius_outlier_removal- >setMinNeighborsInRadius(10);    radius_outlier_removal- >filter(*filtered_cloud_ptr);

1.3.3 點(diǎn)云所在區(qū)域分布規(guī)律濾波

除了根據(jù)稠密意以外還可以根據(jù)距離來(lái)篩選濾波，每個(gè)點(diǎn)計(jì)算其到周?chē)舾牲c(diǎn)的平均距離，如果這個(gè)平均距離相對(duì)于整體點(diǎn)云中所有點(diǎn)的平均距離較近，則認(rèn)為其不是噪點(diǎn)

// PCL built-in radius removal    pcl::StatisticalOutlierRemoval<pcl::PointXYZ>::Ptr statistical_outlier_removal(        new pcl::StatisticalOutlierRemoval<pcl::PointXYZ>(true)); // set to true if we want to extract removed indices    statistical_outlier_removal->setInputCloud(cloud_ptr);    statistical_outlier_removal->setMeanK(20);    statistical_outlier_removal->setStddevMulThresh(2.0);    statistical_outlier_removal->filter(*filtered_cloud_ptr);

1.3.4 根據(jù)點(diǎn)云是否可以被穩(wěn)定觀察到篩選

LOAM 中對(duì)點(diǎn)云中的點(diǎn)是否能形成可靠特征的一個(gè)判斷標(biāo)準(zhǔn)是它能否被穩(wěn)定觀察到。

LOAM 中著重提了這兩種情況的點(diǎn)是不穩(wěn)定的：

• 特征成平面和掃描線(xiàn)近乎平行
• 特征掃描到的其中一端被另一個(gè)平面擋住，這部分的點(diǎn)也不穩(wěn)定

template < typename PointType >void filter_occuluded_points(boost::s