一、引言
点云滤波，是对点云数据处理的常用功能。
相机采集的图像，受限于拍摄条件、光照、物件表面反光及补光角度等原因，会导致摄像头成像质量下降，进而导致在进行点云重建时会包含一些噪点。包括飞点、弥散点、甚至是凭空出现的点，因此若需要得到高质量点云，可以选择对点云数据进行一次滤波，提升数据质量。
当然提高质量手段有很多，从环境上调优光照、调整拍摄角度，从拍摄上进行HDR、参数调整，或从算法上调整等，本文将先基于点云滤波展开讨论。
二、滤波原理
本文讲述滤波方法为基于邻域的滤波。顾名思义就是会计算每个点与周围邻域内有效点的数量，根据相关程度来决定当前点是否需要被过滤。
将点云2D平面化后，如上图：
（假设红色为邻域点，半径d为邻域距离阈值）
每个单独点云的邻域相关情况，一般来说分为3种：
-
黄色点：邻域内没有相关的点，作为噪点直接排除
-
蓝色点：邻域内有大量相关的点，作为有效点保留
-
绿色点：邻域内有相关的点，但是数量不足，也作为噪点排除
根据邻域滤波原理，可以解决大部分噪点，效果如下：
滤波前
滤波后
三、滤波实现
为了实现滤波，首先需要准备点云间距离阈值，即原理图中的半径d。一般来说可以使用点云点间平均距离*6。此参数越大时，滤波效果越差。参数越小时滤波效果越好。但是过小时可能会过滤掉有效点。
其次需要准备邻域内相关数量阈值，即邻域内至少要有几个点云才保留当前点。本算法实现为搜索邻域内一共44个点，有6个以上即判定为保留。此参数越大时滤波效果越好，参数越小时滤波效果越差。
通过两个参数组合和调优，已经可以胜任绝大部分场景下的点云滤波需求。
大致流程如下：
-
遍历点云数据中每个点
-
根据距离阈值，检查每个点邻域内相关点数量
-
根据相关数量阈值，确定点云数据是否保留
-
根据保留结果，将点云数据拷贝至新数据缓冲区
实现代码如下：
汉振3D开发SDK中，可以直接调用点云滤波接口，使用方法如下：
参数解释如下：
-
buffer：存储点云基本数据，需要按照3通道float方式存储xyz数据
-
targetData：滤波后结果数据，按照3通道float方式存储xyz数据
-
1920：点云列数
-
1200：点云行数
-
0.5：质心平均距离，也可以理解为点云点间平均距离
-
30：云间距离阈值
四、代码加速
有了思路，实现了效果还不够，代码需要跑得快才能真的派上用处。对于点云滤波算法，可以有以下几种加速思路：
01 多线程并行
即代码中coreUtilsConcurrent部分。本算法中将点云按照行进行拆分，分发给4个线程单独处理。在4线程下可以提速2到3倍。这里要注意的一点是在现在基于CPU的运算中，线程并不是越多越好，需要根据算法实际调整。对于本算法，4线程左右为宜，即使CPU物理上有8线程甚至16线程。主要原因是本算法较为简单，内存瓶颈比CPU运算瓶颈更容易出现。线程多反而容易造成资源争夺，降低缓存命中率，进而导致性能下降。
02 邻域相关度计算剪枝
即代码循环体内最大代码量部分。算法中邻域搜索逻辑是会先从点云当前行开始，依次搜索-1行，+1行，-2行，+2行，-3行，+3行。结合物理世界中实际点云噪点分布情况，如果在当前行和-1行都没有搜索到符合条件的邻域有效点，那么在+1，-2行这些也大概率搜索不到邻域有效点，因此当前点基本就是无效点，就可以直接删除。按照此逻辑类推，分别设置1、3、5个邻域有效点的退出条件。通过此项剪枝后，可以提速2到4倍。
03 内存访问顺序优化
因为CPU有缓存秒钟问题，所以我们希望开发的程序尽可能提高缓存命中率，以提高运行速度。对点云数据的访问，在内存上尽量从左到右访问，从上到下访问。
04 代码减少判断条件
部分可以通过内联展开，代码结构完成的判断，可以直接通过写代码方式实现，而不是通过for，函数调用方式使用。
05 减少对象拷贝
尽量通过全局变量保存热点变量。例如点云数据指针，高宽等参数，会被频繁用到，可以保存到全局变量中让后续流程可以直接访问，而不是保存到中间变量反复拷贝，或者通过指针反复解指针使用。
进行了如上几点优化后，230W点云滤波，可以控制在5到15ms以内。
更多机器视觉产品信息与应用说明，机器视觉算法，应用技巧，解决方案以及相关领域的技术分享，欢迎继续关注“汉振智能”....