3.2 数据预处理与特征提取

3.2 数据预处理与特征提取

本节摘要：原始传感器数据不能直接用——点云里有灰尘与悬浮噪点，图像里有光照起伏与无关纹理。本节按"降噪 → 降采样 → 分割 → 特征"的次序讲流水线，每一步都交代丢掉了什么、为什么值得，并给出点云处理的最小代码。

激光雷达看到的"灰尘"

把一台室内激光雷达的原始单帧点云直接可视化，你会看到墙、地面之外还有一层"雾"——悬浮在空气中的噪点：灰尘反光、多径反射、动态物体的残影。扫描匹配算法若把这些点当真，定位就会被"墙根本不在那"的假点云拉偏。预处理的存在理由由此而来：把数据从"物理传感器吐出的样子"整理成"算法需要的样子"，并且诚实地记录每次整理丢掉了什么。

流水线四步

降噪。点云的统计离群剔除：对每个点统计其半径 r（比如 10 厘米）内的邻居数，少于阈值的判为离群。原理是真实表面上的点必有邻居，悬浮噪点没有。图像侧对应的是高斯滤波与中值滤波，后者对椒盐噪声特别有效。

降采样。一帧室内点云动辄数万点，而扫描匹配的精度收益在点数超过某个量级后趋平。体素滤波把空间切成边长 d 的立方格，每格保留质心（或重心），点数可压掉九成而几何形状基本不变。d 的选择有讲究：定位任务常用 5–10 厘米，建图存档用更细。

分割。把点云按归属拆开：地面、可通行区、障碍物。室内移动机器人最常用的是"法线朝上 + 高度带"的地面判据——估计局部平面法向量，与 z 轴夹角小于 5 度且高度在某带内的点归为地面。地面点对导航是干扰（会跟墙面配准拉偏），对建图却是宝贝。

特征。把"一堆点"压缩成"少量带描述子的关键点"。图像侧是角点与 SIFT/ORB 这类描述子；点云侧是法向量、曲率、平面/边缘基元。特征的价值在"少而稳"：扫描匹配只需要几百个稳定特征点就能工作，比用全部点又快又抗噪。

import numpy as np

def voxel_downsample(pts, d=0.08):
    """体素降采样：边长 d 米的格内取质心"""
    idx = np.floor(pts / d).astype(np.int32)
    _, first = np.unique(idx, axis=0, return_index=True)
    return pts[first]           # 教学简化：取格内任一点代表

def radius_outlier_reject(pts, r=0.1, min_nb=4):
    """统计离群剔除：半径 r 内邻居少于 min_nb 的点丢弃"""
    keep = []
    for i, p in enumerate(pts):
        dist = np.linalg.norm(pts - p, axis=1)
        if (dist < r).sum() - 1 >= min_nb:
            keep.append(i)
    return pts[keep]

# 单帧典型数字
# 原始 42000 点 -> 体素 8cm 后 6100 点 -> 离群剔除后 5800 点
​

第三行的注释数字值得读两遍：两步处理丢掉了 86% 的点，几何轮廓完好无损。这就是预处理的经济学——用可控的信息损失，换取下游算法一个数量级的加速与鲁棒性。

特征提取的两个小例子

平面基元。对每点邻域拟合平面，把"平面大、法线一致"的区域合并成平面基元。室内环境的墙、桌面、柜面都是平面，扫描匹配若改用"平面对平面对齐"，比逐点配准更稳——平面无法向歧义、抗噪点。这也是为什么结构化室内环境里点云配准效果好，而空旷广场上"没有平面可抓"，匹配质量骤降。

图像角点与描述子。角点是"两个方向上梯度都剧烈变化"的点，角、纹理交点、标记图案的顶点都是。描述子把角点邻域编码成向量，两帧图像间靠向量距离找对应。机器人语境下的经典应用是视觉里程计：连续帧间追踪角点，反推相机自身运动。

图：点云从原始到特征的流水线

丢掉的或许正是要找的

预处理有一条必须警惕的暗面：每一步都在按"常规任务"的假设丢信息。地面分割假设地面平坦——斜坡机器人会被误伤；体素降采样对细杆状障碍（椅子腿、栏杆）不友好——一根 3 厘米的杆在 8 厘米体素里可能整格被平均掉，避障恰恰最需要它。所以成熟的感知栈会按用途维护多条并行的处理分支：定位分支用粗体素，安全避障分支保留原始细密度并单独跑一个"细杆检测"。

💡 关键直觉：预处理不是越干净越好，而是"按下游需要保留信息"。给定位的特征可以丢细节，给安全的点云一条都不能乱丢——两者用同一份原始数据、两套不同口径。

本节要点

• 流水线四步：降噪、降采样、分割、特征；每步的信息取舍必须显式记录。
• 体素降采样与统计离群剔除是点云处理的标配，数字上常见"丢九成点、保几何形"。
• 结构化环境里平面基元是扫描匹配的好特征；空旷无结构环境特征退化，方案要预判。
• 预处理的暗面是按常规假设丢信息，细杆障碍、斜坡、弱纹理是三处经典翻车点。

图像侧的预处理补充

点云流水线之外，图像侧有对应的四步。降噪对应去模糊与坏点修复；降采样对应金字塔缩放（多尺度表达，让检测在大目标与小目标上都工作）；分割对应语义分割或简单的颜色阈值；特征对应角点与描述子。光照是图像预处理躲不开的主题：直方图均衡把过暗过亮的分布拉回可用区间，白平衡校正让"红色盒子在不同灯光下仍是红色"——这两步对下游识别的稳定性贡献常超过换更好的检测模型。值得记住的工程判断：光照不可控的场景，预处理预算要大于模型预算。

法线估计：点云分割的地基

3.2 节的地面分割依赖法向量，而法向量本身的估计质量决定了分割上限。估计方法：对每个点取 k 近邻（典型 k 取 10 到 30）拟合局部平面，平面法向量即该点法向；k 的选择是平滑度与细节的交换——k 小保留细节但噪声大，k 大反之。地面判据里的"高度带"参数也有讲究：写死"z 小于 0.1 米算地面"在有坡道的场地必挂，稳健写法是先估计主导平面（用 RANSAC 在全点云里找最大的平面基元），再把该平面定义为地面、以它为基准定义高度带。这个细节区分了"实验室能跑"与"现场能跑"。

问题：预处理参数怎么定才不是玄学

给每个参数找一个可观察的依据。体素边长：取下游配准容许误差的二分之一（定位容差 5 厘米则体素取 2.5 厘米上下）；离群剔除的邻居数：按点云密度的统计分布取尾部（比如要求保留 99% 的表面点）；法线的 k：观察可视化结果里"细节是否被抹平"。原则是参数跟着下游指标走、跟着数据统计走，而不是在仿真里凭感觉试。参数定了之后冻结并写进配置管理——参数漂移是感知系统"越跑越差"的常见原因。