降采样可使用voxel_down_sample(voxel_size)函数，其中voxel_size参数为体素大小。 用于计算每个点云的法线的函数为estimate_normals(search_param)，其中search_param参数为搜索函数；而搜索函数为o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30)，其中radius参数为搜索半径，max_nn参数为最大最近邻居。 用于计算点云的FPFH特征的函数为o3d.pipelines.registration.compute_fpfh_feature(input, search_param)，其中input参数为降采样后的点云，search_param参数为搜索函数。 自定义预处理点云函数preprocess_point_cloud()，设定输入参数pcd为通过create_from_rgbd_image内置函数后的对象，voxel_size为点云图体素大小。 1、通过voxel_down_sample方法对pcd对象进行降采样操作。 2、将voxel_size扩大一倍赋给radius_normal变量，用于估计法线的半径数值。 3、对降采样后的点云数据调用estimate_normals方法，计算每个点云的法线，其中搜索半径为radius_normal，邻居数为30。 4、将voxel_size扩大四倍赋给radius_feature变量，用于估计特征的半径数值。 5、调用o3d.pipelines.registration.compute_fpfh_feature()函数，计算点云的FPFH特征，其中input参数为降采样后的点云，搜索函数的搜索半径为radius_feature，邻居数为100。 6、返回降采样后的点云和fpfh特征。 python代码

以下是预处理点云函数preprocess_point_cloud()的Python代码实现：

import open3d as o3d

def preprocess_point_cloud(pcd, voxel_size):
    # 降采样点云
    pcd_down = pcd.voxel_down_sample(voxel_size)

    # 估计法线
    radius_normal = voxel_size * 2
    pcd_down.estimate_normals(
        o3d.geometry.KDTreeSearchParamHybrid(radius=radius_normal, max_nn=30))

    # 计算FPFH特征
    radius_feature = voxel_size * 4
    fpfh = o3d.pipelines.registration.compute_fpfh_feature(
        pcd_down, o3d.geometry.KDTreeSearchParamHybrid(
            radius=radius_feature, max_nn=100))

    return pcd_down, fpfh

在该函数中，我们首先对输入的点云对象pcd进行降采样操作，将其下采样为体素大小为voxel_size的点云。然后，我们用降采样后的点云数据调用estimate_normals方法，计算每个点云的法线，其中搜索半径为voxel_size * 2，邻居数为30。接着，我们将voxel_size * 4赋给radius_feature变量，用于估计特征的半径数值。最后，我们调用o3d.pipelines.registration.compute_fpfh_feature()函数，计算点云的FPFH特征，其中input参数为降采样后的点云，搜索函数的搜索半径为voxel_size * 4，邻居数为100。最终，该函数返回降采样后的点云和fpfh特征。