分割目標對象時，對離散三維數據點聚類的判斷是基於點與點之間的距離是否接近。在lidar點雲數據中，很大壹部分數據屬於地面點數據，地面點雲有紋理，幹擾後續障礙物點雲的分類識別。如果不去除這些地面點數據，分割目標物體時分割算法會失效，所以需要先濾波。因此，去除地面點雲數據是減少數據量、提高分割算法精度的有效手段。
因此，為了提高地面點雲去除算法的精度和魯棒性，許多學者提出了大量的研究方法，主要包括以下兩大類:基於網格圖法的地面去除研究和基於三維激光雷達原始掃描線數據的地面去除研究。
激光雷達掃描得到的點雲包含了大部分地面點，地面過濾點雲常用的柵格地圖方法有柵格高差法、法向量法和高度法。網格高度法首先根據網格大小生成網格，計算每個網格最低點和最高點的高度差，將H與預設的高度差閾值大小進行比較，對網格進行分類。最後，根據網格對網格中的點進行分類。法向量法是假設計算的地面法向量垂直向下或向上，即地面點法向量的值為(0，0，1)或(0，0，-1)。方法過程是計算點的法向量，設置點分類的法向量閾值。高度法是去除地面點雲最常用、耗時最少的方法。根據激光雷達的安裝位置和姿態，點雲按照設定的閾值可以直接分為地面點和障礙物點。
基於柵格地圖的點雲處理方法是將三維點雲數據投影到地面，建立多個柵格單元，利用連通區域標註算法或鄰域擴展策略對目標進行聚類。該方法廣泛應用於激光雷達的三維建模。首先，三維點雲到2D平面的投影過程大大減少了數據量，可以提高算法處理的實時性。其次，由於點雲到柵格地圖的映射，將復雜的3D點雲處理問題轉化為圖像處理問題，可以使用成熟的圖像處理相關算法，提高算法處理的時間效率。網格法簡單可靠，計算效率高。然而，網格單元參數是固定的，並且通常由經驗確定。當遠處目標點雲稀疏時，會過分割，而當近處目標點雲密集時，會欠分割。算法嚴重依賴於閾值參數的選取，往往需要逐幀分析，難免會損失壹些實時性。
由於三維激光雷達的原始三維數據包含了詳細的空間信息，因此也可以用來處理相關的點雲數據。激光掃描線在地面和障礙物上形成的角度值差異顯著，可以作為分離地面點的重要依據。激光雷達中的多束激光水平掃描周圍環境中的物體，相鄰兩個物體之間形成的角度很小，而同壹物體的角度值很大。這啟示我們可以充分利用這壹特性。當大於角度閾值時，可以認為這兩點是同壹物體，解決了相鄰目標欠分割的問題。通過將非地面點雲劃分為不同的物體，進而識別目標物體，可以為無人車提供更詳細的車輛、行人等障礙物信息，從而避免與不同類型的障礙物發生碰撞，及時避讓。地面點雲分割不足會導致目標漏檢，分割過度會影響識別等後續操作。基於激光雷達生成的點雲的幾何特征，研究人員提出了多種特征構建方法，基於3D激光雷達原始掃描線數據的地面去除研究是比較常用的方法之壹。
激光雷達在采集三維點雲數據的過程中，會受到各種因素的影響，因此在獲取數據時會存在壹定的噪聲。其實在實際工作中，除了自身測量的誤差，還會受到外界環境的影響，比如目標被遮擋、障礙物、被測目標的表面材質等。此外，壹些局部大尺度噪聲由於遠離目標點雲，無法用同樣的方法濾除。
噪聲是壹個與目標信息描述無關的點，對整個3D場景的後續重建毫無用處。然而，在實際的點雲數據處理算法中，要區分噪聲點和具有特征信息的目標點並不容易，在去噪過程中由於外界因素較多，壹些特征信息不可避免地會丟失。好的點雲濾波算法不僅要求實時性高，而且在去噪的同時還能保留模型的特征信息[88]。有必要深入研究點雲數據的噪聲點特征，才能提出更好的去噪算法。
點雲數據是壹種非結構化數據格式。激光雷達掃描的點雲數據受物體與雷達距離的影響，分布不均勻。雷達附近物體的點雲數據呈密集分布，而遠離雷達的物體的點雲數據呈稀疏分布。此外，點雲數據具有無序性和不對稱性的特點，導致在數據表示上缺乏清晰統壹的數據結構，加劇了後續點雲分割和識別的難度。神經網絡作為壹種端到端的網絡結構，往往處理常規的輸入數據，如序列、圖像、視頻和3D數據，不能直接處理點集等無序數據。用卷積運算處理點雲數據時，卷積直接丟棄點雲的形狀信息，只保留點雲的序列信息。
點雲濾波是三維重建技術領域的研究熱點，也是許多無人應用數據處理中至關重要的壹步。三維點雲過濾方法主要分為以下三類，包括統計過濾、鄰域過濾和投影過濾。
由於統計學的概念特別符合點雲的特點，國內外很多學者都將統計學的方法引入到點雲過濾技術中。Kalogerakis等人將魯棒的統計模型框架應用於點雲過濾，取得了非常好的過濾效果。在這個統計模型的框架下，利用最小二乘叠代法估計曲率張量，在每次叠代時根據每個點周圍的面積給樣本分配權重，從而細化每個點周圍的每個鄰域。然後使用計算的曲率和統計權重來重新校正正態分布。通過計算曲率和法向最小化全局能量和去除離群點，可以很好地保持點雲的紋理特征。
基於鄰域的點雲過濾技術是利用壹種相似性度量方法來度量點與其他對過濾效率和結果有較大影響的鄰近點的相似性，從而確定過濾點的位置。壹般來說，點雲的相似性可以用它們的位置、法線和區域位置來衡量。在1998中，Tomasi等人將雙邊濾波器擴展到3D模型去噪。由於雙邊濾波具有保持邊緣光滑的特點，可以去除點雲數據噪聲，很好地保留細節。然而，因為該方法通過網格生成過程去噪，所以在網格生成過程中會引入額外的噪聲。與規則網格、不規則三角網等數據結構相比，體素是真正的3D結構，並且隱含了鄰域關系，可以有效防止網格生成過程中引入噪聲。然而，這種方法需要設置更多的參數，不能滿足實際的工業應用。
基於投影濾波技術，通過不同的投影測量調整點雲中每個點的位置，從而去除噪聲點雲。但如果輸入的點雲特別不均勻，經過局部最優投影處理後的點雲會變得更加散亂。孫杜等人提出了壹種基於多重回波和Fisher判別式的濾波算法。首先，根據網格劃分的思想對點雲進行網格劃分。在每個網格中，將待確定的樣本除以點雲數據的回波頻率和強度。其次，利用Fisher判別分析方法將點雲投影到壹維空間，通過判斷臨界值將植被點雲與地面點雲分離，實現對陡坡點雲的過濾。但該方法僅對包含回波強度的點雲屬性有效，對不包含回波強度信息的點雲無效。
為了彌補點雲本身的無序性、不對稱性、非結構化和信息不足，在進行特征識別和語義分割之前，需要對點雲的數據形式進行轉換。常用的點雲形態變換方法有網格化點雲、體素化點雲、點雲球面映射等。
體素化就是保留點雲表面的特征點，過濾掉多余的沒有特征的點雲數據。因為常用的法向量計算依賴於相鄰點的個數，而且兩個雲點的分辨率也不同。因此，相同體素大小的體素化就是在兩個不同分辨率的點雲中生成等價的局部區域。在點雲配準算法的實際過程中，由於用於配準的源點雲數據和目標點雲數據數量龐大且密集，並且這些原始點雲數據中包含了許多對描述物體形狀特征沒有影響的點，如果用算法直接配置源點雲和目標點雲，整個過程會耗費大量時間，因此需要對點雲進行降采樣，仍然保留點雲中能夠反映形狀輪廓特征的部分。
由於點雲的稀疏性、無序性和分布不均勻性，在使用深度全卷積神經網絡結構對lidar點雲數據進行語義分割時，端到端卷積神經網絡無法直接對無序的點雲進行操作。為了使端到端神經網絡在無序的點雲數據上具有通用性，首先需要對點雲數據進行映射。常見的投影方法有基於平面的投影、柱面投影和球面點雲投影。
參考:
周甜甜等(基於深度神經網絡的激光雷達點雲語義分割算法研究)
李宏宇(激光雷達點雲數據處理研究)
範曉輝(基於激光雷達的行人目標檢測與識別)