前言：
此刻朋友们对“聚类算法和点云算法”大约比较着重，兄弟们都想要剖析一些“聚类算法和点云算法”的相关内容。那么小编同时在网摘上收集了一些对于“聚类算法和点云算法””的相关文章，希望大家能喜欢，你们一起来学习一下吧！三维点云目标检测和分割比较直接，由于点云信息本身带了深度信息，所以很明显一个目标对应的点云是连续并且集中的，表达出来也就是类内间距比较小，而类间间距比较大，所以基于这个先验信息，我们可以使用kmeans聚类算法对点云做聚类，聚类后的结果就是目标。
下面来看autoware中Euclidean Cluster Detector的实现
通常在点云聚类前，我们需要先对点云做预处理，滤除噪声数据。
Euclidean Cluster Detector中使用了以下几种数据的预处理方法：
去除检测中的噪声点，比如距离雷达太近的点和超出lidar量程的点。
void removePointsUpTo(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_cloud_ptr, const double in_distance);下采样，用于减少数据量。
void downsampleCloud(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_cloud_ptr, float in_leaf_size = 0.2);点云裁剪
void clipCloud(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_cloud_ptr, float in_min_height = -1.3, float in_max_height = 0.5)；仅保留车道上的目标
void keepLanePoints(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_cloud_ptr, float in_left_lane_threshold = 1.5, float in_right_lane_threshold = 1.5)去除地面
void removeFloor(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_nofloor_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_onlyfloor_cloud_ptr, float in_max_height = 0.2, float in_floor_max_angle = 0.1)频域滤波，去除频域变化不明显的点（DoN算子）
void differenceNormalsSegmentation(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_cloud_ptr);
聚类：
这里聚类主要做了以下几件事情，
1. 先转换到将点云投影到x-y平面上，然后在x-y平面上做聚类，得到初始的目标集合；2. 对检测得到的目标集合进行合并优化。std::vector<ClusterPtr> clusterAndColor(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZRGB>::Ptr out_cloud_ptr, jsk_recognition_msgs::BoundingBoxArray& in_out_boundingbox_array, autoware_msgs::centroids& in_out_centroids, double in_max_cluster_distance = 0.5){ pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>); // create 2d pc pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_2d(new pcl::PointCloud<pcl::PointXYZ>); pcl::copyPointCloud(*in_cloud_ptr, *cloud_2d); // make it flat for (size_t i = 0; i < cloud_2d->points.size(); i++) { cloud_2d->points[i].z = 0; } if (cloud_2d->points.size() > 0) tree->setInputCloud(cloud_2d); std::vector<pcl::PointIndices> cluster_indices; // perform clustering on 2d cloud pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec; ec.setClusterTolerance(in_max_cluster_distance); // ec.setMinClusterSize(_cluster_size_min); ec.setMaxClusterSize(_cluster_size_max); ec.setSearchMethod(tree); ec.setInputCloud(cloud_2d); ec.extract(cluster_indices); // use indices on 3d cloud /*pcl::ConditionalEuclideanClustering<pcl::PointXYZ> cec (true); cec.setInputCloud (in_cloud_ptr); cec.setConditionFunction (&independentDistance); cec.setMinClusterSize (cluster_size_min); cec.setMaxClusterSize (cluster_size_max); cec.setClusterTolerance (_distance*2.0f); cec.segment (cluster_indices);*/ ///////////////////////////////// //--- 3. Color clustered points ///////////////////////////////// unsigned int k = 0; // pcl::PointCloud<pcl::PointXYZRGB>::Ptr final_cluster (new pcl::PointCloud<pcl::PointXYZRGB>); std::vector<ClusterPtr> clusters; // pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_cluster (new pcl::PointCloud<pcl::PointXYZRGB>);//coord + color // cluster for (auto it = cluster_indices.begin(); it != cluster_indices.end(); ++it) { ClusterPtr cluster(new Cluster()); cluster->SetCloud(in_cloud_ptr, it->indices, _velodyne_header, k, (int)_colors[k].val[0], (int)_colors[k].val[1], (int)_colors[k].val[2], "", _pose_estimation); clusters.push_back(cluster); k++; } // std::cout << "Clusters: " << k << std::endl; return clusters;}目标集合的合并
主要依据，判断两个点云的质心距离是否很相近，如果相近，则表明是同一个物体，需要合并。实际就是在图上寻找连通块的过程。
实现伪代码：
initial clusters,visited = [False] * nfor i: 1, n do clusters_should_merged = [] if !visited[i] : findClustersShouldMerge(i, clusters, visited, clusters_should_merged)endfindClustersShouldMerge(idx, clusters, visited, clusters_should_merged) do for i: 1, n do if idx != i and !visited[i] do if distance(clusters[idx], clusters[i]) <= THRESH: visited[i] = true push clusters[i] to clusters_should_merged findClustersShouldMerge(i, clusters, visited, clusters_should_merged)endvoid checkClusterMerge(size_t in_cluster_id, std::vector<ClusterPtr>& in_clusters, std::vector<bool>& in_out_visited_clusters, std::vector<size_t>& out_merge_indices, double in_merge_threshold){ // std::cout << "checkClusterMerge" << std::endl; pcl::PointXYZ point_a = in_clusters[in_cluster_id]->GetCentroid(); for (size_t i = 0; i < in_clusters.size(); i++) { if (i != in_cluster_id && !in_out_visited_clusters[i]) { pcl::PointXYZ point_b = in_clusters[i]->GetCentroid(); double distance = sqrt(pow(point_b.x - point_a.x, 2) + pow(point_b.y - point_a.y, 2)); if (distance <= in_merge_threshold) { in_out_visited_clusters[i] = true; out_merge_indices.push_back(i); // std::cout << "Merging " << in_cluster_id << " with " << i << " dist:" << distance << std::endl; checkClusterMerge(i, in_clusters, in_out_visited_clusters, out_merge_indices, in_merge_threshold); } } }}void mergeClusters(const std::vector<ClusterPtr>& in_clusters, std::vector<ClusterPtr>& out_clusters, std::vector<size_t> in_merge_indices, const size_t& current_index, std::vector<bool>& in_out_merged_clusters){ // std::cout << "mergeClusters:" << in_merge_indices.size() << std::endl; pcl::PointCloud<pcl::PointXYZRGB> sum_cloud; pcl::PointCloud<pcl::PointXYZ> mono_cloud; ClusterPtr merged_cluster(new Cluster()); for (size_t i = 0; i < in_merge_indices.size(); i++) { sum_cloud += *(in_clusters[in_merge_indices[i]]->GetCloud()); in_out_merged_clusters[in_merge_indices[i]] = true; } std::vector<int> indices(sum_cloud.points.size(), 0); for (size_t i = 0; i < sum_cloud.points.size(); i++) { indices[i] = i; } if (sum_cloud.points.size() > 0) { pcl::copyPointCloud(sum_cloud, mono_cloud); // std::cout << "mergedClusters " << sum_cloud.points.size() << " mono:" << mono_cloud.points.size() << std::endl; // cluster->SetCloud(in_cloud_ptr, it->indices, _velodyne_header, k, (int)_colors[k].val[0], (int)_colors[k].val[1], // (int)_colors[k].val[2], "", _pose_estimation); merged_cluster->SetCloud(mono_cloud.makeShared(), indices, _velodyne_header, current_index, (int)_colors[current_index].val[0], (int)_colors[current_index].val[1], (int)_colors[current_index].val[2], "", _pose_estimation); out_clusters.push_back(merged_cluster); }} 版权声明：
本站文章均来自互联网搜集，如有侵犯您的权益，请联系我们删除，谢谢。
标签： #聚类算法和点云算法 #聚类算法和点云算法一样吗
