基于3D激光点云的障碍物检测与跟踪---(1)体素下采样、ROI 区域裁剪与地面点云分割

在机器人系统中，激光雷达（LiDAR）产生的原始点云数据量非常庞大，往往包含几十万到上百万个点。如果直接用于聚类、检测、匹配，将造成计算负担过重、实时性降低。

因此，我们需要对点云进行滤波与预处理（Filtering & Preprocessing），以去除无效点、降低数据量、增强关键特征。

本文将系统介绍点云处理中的三个核心步骤：

体素下采样（VoxelGrid Downsampling）
ROI 区域裁剪（Region of Interest Cropping）
地面点云分割（Ground Segmentation）

一、体素下采样（VoxelGrid Downsampling）

1.1 为什么要进行下采样

激光雷达采样密度高、数据量大，若直接使用原始点云：

计算量大，影响实时性；
相邻点空间分布过密，信息冗余；
聚类或拟合算法耗时严重。

体素下采样（VoxelGrid） 的核心思想是：

将点云划分为立方体小格（Voxel），在每个体素中仅保留一个代表点（通常为该体素内所有点的重心）。

这样既能大幅减少点云数量，又能保持整体几何结构。

1.2 实现原理

假设每个体素的边长为 (leaf_size_x, leaf_size_y, leaf_size_z)：

将整个点云空间划分为体素网格；
对每个体素内的所有点，计算平均坐标；
以该平均点代表该体素。

1.3 核心代码

cpp 复制代码

  voxel.setInputCloud(cloud_in); // 输入点云
  voxel.setLeafSize(0.1f, 0.1f, 0.1f);  // 体素大小(单位: 米)
  voxel.filter(*cloud_filtered);

💡 参数说明：

setLeafSize(0.1, 0.1, 0.1) 表示体素边长为 10 cm；
数值越大，点云越稀疏，计算速度更快但细节损失更多；
常用范围为 0.05~0.2m。

1.4 效果对比

阶段	点云数量	特征保持	耗时
原始点云	120,000	✅ 完整	❌ 高
下采样后	35,000	✅ 形状保持	✅ 快速

结果：在保持主要结构形状的同时，点云数量减少约 70%，显著提升后续处理效率。

二、ROI 区域裁剪（Region of Interest Cropping）

2.1 目的

激光雷达扫描范围广，但我们通常只关心机器人周围一定区域 （如前方 10 米内）。

ROI 区域裁剪的目标是：

去除远距离、顶部、地面下方等无关区域，仅保留机器人周围感兴趣点云。

2.2 实现思路

使用 PassThrough Filter 对 x/y/z 轴设置范围；
或使用 CropBox Filter 定义一个三维包围盒裁剪点云。

2.3 核心代码

cpp 复制代码

  // 方法一：Z轴直通滤波，去掉地面以下点
  pass.setInputCloud(cloud_in);
  pass.setFilterFieldName("z");
  pass.setFilterLimits(-1.5, 2.0);
  pass.filter(*cloud_roi);

  // 方法二：使用CropBox定义感兴趣区域
  crop.setInputCloud(cloud_roi);
  Eigen::Vector4f min_point(-10.0, -10.0, -0.5, 1.0);
  Eigen::Vector4f max_point(10.0, 10.0, 1.0, 1.0);
  crop.setMin(min_point);
  crop.setMax(max_point);
  crop.filter(*cloud_roi);

三、地面点云分割（Ground Segmentation）

3.1 目标与原理

在经过下采样与裁剪后，点云中仍包含大量地面点。

这些地面点若不去除，会被聚类算法错误地识别为障碍物。

因此，我们需要进行地面分割。

3.2 RANSAC 平面拟合法

RANSAC（随机采样一致性）是最常用的地面拟合方法。

其基本步骤：

随机选取若干点；
拟合平面模型；
判断其他点是否为内点；
选取内点数最多的模型作为地面平面。

3.3 核心代码

cpp 复制代码

  seg.setOptimizeCoefficients(true);
  seg.setModelType(pcl::SACMODEL_PLANE);
  seg.setMethodType(pcl::SAC_RANSAC); // 使用 RANSAC 随机采样一致性方法
  seg.setMaxIterations(max_iterations); // 最大迭代次数
  seg.setDistanceThreshold(distance_thresh);  // 地面拟合容差
  seg.setInputCloud(cloud_in);
  seg.segment(*inliers, *coefficients); // 保存平面模型的参数 [a, b, c, d]（即平面方程：ax + by + cz + d = 0）

  // 提取地面与非地面点
  extract.setInputCloud(cloud_in);
  extract.setIndices(inliers); // 保存属于拟合平面的点索引
  extract.setNegative(false);
  extract.filter(*cloud_ground); // 提取地面点云

  extract.setNegative(true);
  extract.filter(*cloud_non_ground); // 提取非地面点云

四、总结

模块	主要作用	典型方法	特点
体素下采样	降低点云密度、提升实时性	VoxelGrid	结构保持好
ROI 裁剪	去除远处与无关点	CropBox/PassThrough	减少冗余
地面分割	去除地面点，提高聚类精度	RANSAC	稳定可靠

经过这三个步骤，点云数据量减少超过 80%，同时保持几何结构完整性，为后续的目标检测、聚类与跟踪奠定坚实基础。