激光点云目标物聚类

最新推荐文章于 2025-06-21 08:40:32 发布

原创

最新推荐文章于 2025-06-21 08:40:32 发布 · 2.3k 阅读

37 ·

CC 4.0 BY-SA版权

本文介绍了激光点云目标物聚类的原理和方法，包括欧氏聚类、KD-Tree及其应用，以及如何使用PCL库进行聚类。通过聚类可以将激光雷达数据中的障碍物点云区分，有助于多目标跟踪。文章还讨论了边界框（Bounding Boxes）和PCA Boxes在点云聚类中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Lidar系列文章

传感器融合是将多个传感器采集的数据进行融合处理，以更好感知周围环境；这里首先介绍激光雷达的相关内容，包括激光雷达基本介绍（本节内容），激光点云数据处理方法（点云数据显示，点云分割，点云聚类，障碍物识别实例）等。

系列文章目录

1. 激光雷达基本介绍
 2. 激光点云数据显示
 3. 基于RANSAC的激光点云分割
 4. 点云分割入门级实例学习
 5. 激光点云目标物聚类
 6. 基于PCL实现欧式聚类提取
 7. 激光雷达障碍物识别

文章目录

目前我已经实现点云分割，分离出障碍物点云。如果可以将这些障碍物进行区分，分离出同一物体反射的点云，则将会对我们的多目标跟踪（车辆，行人，自行车等）非常有帮助。本节主要介绍激光点云聚类算法。

欧氏聚类

聚类：分离出属于同一障碍物的激光点云，比如车辆，行人等；
欧氏聚类：Euclidean clustering，根据点之间的距离进行分组关联；
KD-Tree：通过将搜索空间分块并将点云分类进不同的区域，减小了不相邻点云间的距离计算，KD-Tree数据结构通常可以将查找时间从O(n)缩短到O(log(n))，实现快速的最近邻搜索（nearest neighbors search）。

KD-Tree

KD-Tree是一种以二叉树形式表示的数据结构，在k维空间（如三维空间X, Y , Z维度）中进行维度切换对比将点插入二叉树进行存储，以便对其进行快速检索。通过区域分割来划分区域，使用欧氏聚类等算法进行聚类时最近邻搜索将极大加速。
我们将以下图包含11点的2D点云聚类进行介绍，可以看到包含3组距离较近的点。
在这里插入图片描述
首先需要将点插入KD-Tree中，主要步骤如下：

插入任一点（-6.2,7）作为树的根节点，分割x方向，下图绿线所示；
插入下一点 (-6.3, 8.4)，如果其x值小于根节点，插入根节点左侧，否则根节点右侧；该点分割y区域，下图红线所示；
继续插入另外两点(-5.2, 7.1) ，(-5.7, 6.3)，重新分割x区域。
这里用于对比的（x，y）维度是根据其深度进行判断。

下图是通过直线分割好的KD-Tree，绿色划分x轴区域，红色划分y轴区域。

为改善KD-Tree的结构，可以通过X/Y交替插入中值点的方法，使树结构更加均匀，缩短搜索时间。
以下是KD-Tree点插入的代码实现。这里通过递归调用insertHelper函数实现插入点及更新树的节点。

	void insertHelper(Node** node, unsigned int depth, std::vector<float> point, int id)
	{
   
   
		//Tree is empty
		if(*node == NULL)
			*node = new Node(point,id);
		else
		{
   
   
			//Calculate current dim
			uint cd = depth%2; //use 3 if we are working in 3 dimension(x,y,z) kdtree
			if(point[cd]<((*node)->point[cd]))
				insertHelper(&((*node)->left),depth+1,point,id);
			else
				insertHelper(&((*node)->right),depth+1,point,id);
		}
	}

	void insert(std::vector<float> point, int id)
	{
   
   
		// TODO: Fill in this function to insert a new point into the tree
		// the function should create a new node and place correctly with in the root 
		insertHelper(&root,0,point,id);
	}

KD-Tree中搜索点

所有点插入到KD-Tree中后，下一步是通过与给定的目标对比搜索最近的点。距离目标点给定距离distanceTol（目标点附近2*distanceTol区域）的点可视为可能的临近点，再计算其距离判定是否作为近邻点。KD-Tree通过将区域进行分割可以忽略部分区域的点，加快最近邻搜索过程。
在这里插入图片描述
具体实现如下：

	void searchHelper(std::vector<float> target, Node* node,int depth, float distanceTol, std::vector<int>& ids)
	{
   
   
		if(node!=NULL)
		{
   
   	
			//Below check 3 dimensions if we are working in 3 dimension(x,y,z) kdtree
			if((node->point[0]>=(target[