1、DBSCAN算法原理

DBSCAN是一种基于密度的聚类方法，其将点分为核心点与非核心点，后续采用类似区域增长方式进行处理。下图为DBSCAN聚类结果，可见其可以对任意类别的数据进行聚类，无需定义类别数量。

DBSCAN聚类说明

DBSCAN聚类过程如下：
1、首先，DBSCAN算法会以任何尚未访问过的任意起始数据点为核心点，并对该核心点进行扩充。这时我们给定一个半径/距离ε，任何和核心点的距离小于ε的点都是它的相邻点。
2、如果核心点附近有足够数量的点，则开始聚类，且选中的核心点会成为该聚类的第一个点。如果附近的点不够，那算法会把它标记为噪声（之后这个噪声可能会成为簇中的一部分）。在这两种情形下，选中的点都会被标记为“已访问”。
3、一旦聚类开始，核心点的相邻点，或者说以该点出发的所有密度相连的数据点（注意是密度相连）会被划分进同一聚类。然后我们再把这些新点作为核心点，向周围拓展ε，并把符合条件的点继续纳入这个聚类中。
4、重复步骤2和3，直到附近没有可以扩充的数据点为止，即簇的ε邻域内所有点都已被标记为“已访问”。
5、一旦我们完成了这个集群，算法又会开始检索未访问过的点，并发现更多的聚类和噪声。一旦数据检索完毕，每个点都被标记为属于一个聚类或是噪声。
与其他聚类算法相比，DBSCAN有一些很大的优势。首先，它不需要输入要划分的聚类个数。其次，即使数据点非常不同，它也会将它们纳入聚类中，DBSCAN能将异常值识别为噪声，这就意味着它可以在需要时输入过滤噪声的参数。第三，它对聚类的形状没有偏倚，可以找到任意大小和形状的簇。
DBSCAN的主要缺点是，当聚类的密度不同时，DBSCAN的性能会不如其他算法。这是因为当密度变化时，用于识别邻近点的距离阈值ε和核心点的设置会随着聚类发生变化。而这在高维数据中会特别明显，因为届时我们会很难估计ε。

从已有的聚类效果上来看，将一些点定义成噪声点，没有进行聚类。因此也可以理解成这样：先对点进行去噪处理，再使用距离聚类（如欧氏聚类）实现点的聚类。
对三维点云数据的聚类结果如下：

2、源码下载

基于C++编写的源代码下载地址：
https://download.csdn.net/download/qq_32867925/86246799
只需要将三个头文件加载到工程中即可

DBSCAN核心代码：

DBSCANKdtreeCluster<pcl::PointXYZ> ec;ec.setCorePointMinPts(10);// test 4. uncomment the following line to test the EuclideanClusterExtraction// pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);tree->setInputCloud(cloud);std::vector<pcl::PointIndices> cluster_indices;ec.setClusterTolerance(0.1);//搜索近邻点半径ec.setMinClusterSize(100);//最小簇点数要求ec.setMaxClusterSize(5000000);//最大簇点数限制ec.setSearchMethod(tree);ec.setInputCloud(cloud);ec.extract(cluster_indices);clock_t end_ms = clock();std::cout << "cluster time cost:" << double(end_ms - start_ms) / CLOCKS_PER_SEC << " s" << std::endl;pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_clustered(new pcl::PointCloud<pcl::PointXYZI>);int j = 0;// visualization, use indensity to show different color for each cluster.for (std::vector<pcl::PointIndices>::const_iterator it = cluster_indices.begin(); it != cluster_indices.end(); it++, j++) {for (std::vector<int>::const_iterator pit = it->indices.begin(); pit != it->indices.end(); ++pit) {pcl::PointXYZI tmp;tmp.x = cloud->points[*pit].x;tmp.y = cloud->points[*pit].y;tmp.z = cloud->points[*pit].z;tmp.intensity = j % 8;cloud_clustered->points.push_back(tmp);}}

2、聚类效果

从另一个角度可见，DBSCAN是距离聚类的另一种形式，其相比较于常规距离聚类而言，多了核心点判别过程。

DBSCAN点云聚类相关推荐

八种点云聚类方法（二）— KMeans
传统机器学习聚类的方法有很多种,并且很多都能够应用在点云上.这是由于聚类方法一般是针对于通用样本,只是样本的维度有所不同.对于三维点云来说,其样本的维度为3.这里主要介绍几种典型的方法及其实现方式,包 ...
八种点云聚类方法（三）
本文为博主原创文章,未经博主允许不得转载. 本文为专栏<python三维点云从基础到深度学习>系列文章,地址为"https://blog.csdn.net/suiyingy/ar ...
代码实战 | 用LeGO-LOAM实现BFS点云聚类和噪点剔除
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨Zach 来源丨计算机视觉life 作者介绍:Zach,移动机器人从业者,热爱移动机器人行业,立 ...
综述：激光雷达全景分割的传统点云聚类方法的技术总结
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨paopaoslam 来源丨泡泡机器人SLAM 标题:A Technical Survey an ...
基于Bounding Box的激光点云聚类
Camera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Camera的相关内容,包括摄像头及图像知识基本介绍,OpenCV图像识别(特征提取,目标分类等) ...
RetinaNet与点云聚类耦合的深度学习个体树分割方法研究
ABSTRACT 人类活动的增加对全球森林资源造成了严重干扰,如何准确识别单株树木已成为森林资源调查的重要任务.为了得到准确的个体树木数量,本文以针叶林和针阔混交林为实验样本,以数字正射影像图和机载激 ...
【Matlab】基于改进的 Hausdorf 距离的DBSCAN船舶航迹聚类
[Matlab]基于改进的 Hausdorff 距离的DBSCAN船舶航迹聚类一.模型简介 1.1问题背景 1.2具体内容 AIS数据的预处理船舶轨迹分割船舶轨迹相似度度量船舶轨迹表达方式船 ...
[自动驾驶-目标检测] C++ PCL 连通域点云聚类
文章目录引言标签连通域聚类原理 Octree + LCC 代码实现 Octree + LCC 测试结果 Octree + LCC 的优缺点改进思路参考文献引言在实际实现3D目标检测时,在不 ...
二十一. 智能驾驶之基于视觉识别和点云聚类的障碍物检测
一. 背景介绍在智能驾驶领域, 根据使用的传感器的不同,对障碍物的检测和识别通常有三种做法: 1.一种是基于相机图像和点云鸟瞰图的纯图像障碍物检测, 比如YOLO三维; 2.一种是将相机和雷达进行联 ...

DBSCAN点云聚类

1、DBSCAN算法原理

2、源码下载

2、聚类效果

DBSCAN点云聚类相关推荐

最新文章

热门文章