点云 DBSCAN 对点云障碍物聚类

点云数据去除地面后，地面上的点很自然的都成了障碍物，但是要进行目标分类，还需要把每个目标的一堆障碍物的点聚集到一起，然后才好进行后续的分析，因为每个点都是空间上离的很近的点，那么很自然的，就想到了可以使用基于密度的聚类 DBSCAN ；

为了更好的适应我的需求，使用的是自己写的DBSCAN方法；

整个过程如下：

1 先做降采样，降低点云数量；

2 然后地面去除，得到障碍物的点；

3 然后把剩余的地表障碍物点送入 DBSCAN 进行聚类；

4 最后进行可视化；

聚类核心代码如下：

def vector_distance_v2(v):
"""
把单个向量内部的每个元素两两相减，得到一个差值矩阵，矩阵是上三角和下三角刚好相反的结果
:param v: 可以是一个一维数组，或者一个一维的列表
:return:
"""
if type(v) is list:
v = np.array(v)
# result = []
# for i in range(len(v)):
# result.append(v[i] - v) # 可以改为列表推导式
result = [v[i] - v for i in range(len(v))]
return np.vstack(result)

def point_distance(points):
"""
计算所有 points 两两之间的距离
:param points: 地面分割之后检测出来的点 n * 4
:return: n * n 的距离矩阵
"""
d2 = vector_distance_v2(points[:,0])**2 +
vector_distance_v2(points[:,1])**2 +
vector_distance_v2(points[:,2])**2

return np.sqrt(d2)

# @profile
def DBSCAN_points(points, eps=2., Minpts=15):
"""
基于密度的点云聚类
:param d_bbox: 点与点之间的距离矩阵
:param eps: 最大搜索直径阈值
:param Minpts: 最小包含其他对象数量阈值
:return: 返回聚类结果，是一个嵌套列表,每个子列表就是这个区域的对象的序号
"""
# 先求距离
print('DBSCAN clustering:',points.shape)
d_bbox = point_distance(points)

#初始化核心对象集合T,聚类个数k,聚类集合C, 未访问集合P,
T = set()
k = 0
C = []
P = set(range(d_bbox.shape[0]))
# print('P',P)
for d in range(d_bbox.shape[0]):
# print(np.sum( d_bbox[d,:] <= eps))
if np.sum( d_bbox[d,:] <= eps) >= Minpts:
T.add(d) # 最初的核心对象
print('Len T: ',len(T))
#开始聚类
while len(T):
P_old = P #
o = list(T)[np.random.randint(0, len(T))] # 从T中随机选取一个核心元素
# o = list(T)[random.randint(0, len(T)-1)] # 从T中随机选取一个核心元素
# print('o: ',o)
P = P - set([o])
Q = []
Q.append(o)
# print('Q: ',Q)

while len(Q):
q = Q[0]
# print('q: ', q)
# Nq = [i for i in range(d_bbox.shape[0]) if d_bbox[q,i] <= eps] #q的领域密度
Nq = np.where(d_bbox[q,:] <= eps)[0]
if len(Nq) >= Minpts:
S = P & set(Nq) # 这个核心对象的密度可达对象与未访问对象的交集
Q += (list(S)) # 把这个核心对象以及它的密度可达对象都包含进来，对所有的对象再做多次密度可达检测
P = P - S # 未访问集合P 减去这个核心对象的密度可达对象
# print('S: ', S)
# print('Nq: ', Nq)
# print('P: ', P)

Q.remove(q) # q 已经做过密度可达检测了，去掉它
# print('------')
k += 1
Ck = P_old - P # 原有的P和去掉了该核心对象的密度可达对象的P就是该类的所有对象
T = T - Ck # 去掉该类对象里面包含的核心对象
C.append(Ck) # 把该类的对象加入列表
# print('noise points:', P) # 最后没有被归类的数据点就是噪音点
return C
存在的问题：

1 耗时久，计算量大；主要是由于 DBSCAN 需要计算每两个点两两之间的距离，超过5万个点就是25万的距离矩阵，就直接报内存错误了，查看任务管理器发现内存占用达到了5-9G；尽管后续极力压缩，还是需要5-6秒的时间，这显然是不可接受的；

2 它对同一个物体聚类的效果比较好，不会存在同一个物体聚类分割成了2部分的情况；但是！它会把多个离的比较近的物体聚类为一个；

效果如下图：

因为经过了降采样，图片中的点可能不是那么亮，但是其实效果还可以；并且这个里面的地面还存在一些，因为没有使用最新的地面分割方法；
————————————————
版权声明：本文为CSDN博主「Mr Poopybutthole」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_31971181/article/details/113038548

点云 DBSCAN 对点云障碍物聚类相关推荐

PCL 点云DBSCAN聚类算法
文章目录一.简介二.实现代码三.实现效果参考资料一.简介关于DBSCAN聚类算法的原理可以看之前的文章:点云DBSCAN聚类算法(C++),这里仅仅是对该算法进行了整理,让它可以支持PCL ...
毫米波雷达点云 DBSCAN聚类算法
毫米雷达点云 DBSCAN聚类算法聚类的目的聚类算法分类原型聚类层次聚类密度聚类 DBSCAN聚类算法原理相关定义算法流程以及伪代码 DBSCAN算法优缺点 DBSCAN参数选择聚类衡 ...
点云综述一稿点云硬件、点云软件、点云处理算法、点云应用以及点云的挑战与展望
经过一周的综述撰写,深感点云算法应用之浩瀚,只能仰仗前辈们的文章作一些整理: 点云硬件: 点云获取技术可分为接触式扫描仪.激光雷达.结构光.三角测距(Triangulation).以及立体视觉等多种. ...
【点云压缩】点云概述：点云的分类与处理点云来源
点云概述一.什么是点云二.点云从哪来 1. 三维激光雷达扫描 2. 照相机扫描 3. 逆向工程三.点云的分类四.点云的相关处理 1. 点云分割 2. 点云补全 3. 点云上采样 4. 点云压缩 ...
阿里云PolarDB数据库将云原生进行到底！业内首次实现三层池化
10月20日,在2021云栖大会上,阿里云宣布自研云原生关系型数据库PolarDB重磅升级,实现内存池化.多主架构.HTAP实时分析等创新功能,进一步引领云原生数据库技术的持续创新. 阿里云智能数据库 ...
华为云客户端_华为云新一代S6云服务器缘何深受中小企业青睐？
在移动互联网时代,随着信息量和数据量的迅猛增长,更多企业对数据的处理能力和业务的扩展提出了更高要求.因此,有越来越多的企业选择把业务和数据迁移到云端,通过"云计算服务提供商"购买相 ...
PyTorch 1.3发布：能在移动端部署，支持Colab云TPU，阿里云上也能用
本文经AI新媒体量子位(公众号ID:qbitai)授权转载,转载请联系出处. 本文约2700字,建议阅读7分钟. 本文向你介绍 PyTorch1.3 的新特性. "我要转PyTorch!&q ...
【未来研究】城市云脑是互联网云脑的节点，城市云脑之间如何互补与支撑
作者: 互联网进化论作者 ,计算机博士刘锋前言:本文是未来智能实验室的研究文章,重点探讨了基于类脑架构的智慧城市建设不应局限在城市内部,而是在互联网大背景下,不同城市之间也会发生智慧建设的协同效应 ...
剑指云内存数据库，阿里云在下一盘大棋
「The real battle will be in databases.」在 2019 数据技术嘉年华大会上,阿里云数据库产品事业部总经理.李飞飞曾引用 AWS 创始人 Jeff Bezos 的 ...

点云 DBSCAN 对点云障碍物聚类

点云 DBSCAN 对点云障碍物聚类相关推荐

最新文章

热门文章