DBSCAN 对点云障碍物聚类

（感谢前辈）转自：https://zhuanlan.zhihu.com/p/72121128

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])**2return 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 = 0C = []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 += 1Ck = 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；

DBSCAN 对点云障碍物聚类相关推荐

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 ...
两种三维点云密度聚类方法的研究与对比
转载请说明出处: http://blog.csdn.net/zhubaohua_bupt/article/details/70194047 基于密度的点云聚类算法可以识别三维点云物体,也可以对三维点云 ...
机器学习聚类篇——python实现DBSCAN（基于密度的聚类方法）
机器学习聚类篇--python实现DBSCAN(基于密度的聚类方法) 摘要 python实现代码计算实例摘要 DBSCAN(Density-Based Spatial Clustering of ...
重组标签云-标签聚类及其评价研究
重组标签云-标签聚类及其评价研究 AlbertoPérez García-Plaza a*, Arkaitz Zubiaga b, Víctor Fresnoa,Raquel Martínez a a ...
【点云处理】Lidar点云障碍物形状估计(2)
上一篇文章[点云处理]Lidar点云障碍物形状估计(1)讲到使用OpenCV自带的minAreaRect来估计点云的2D形状,这篇文章再来谈谈目前应用也比较多的基于L-Shape的形状估计.L-Sha ...
【点云处理】Lidar点云障碍物形状估计(1)
自动驾驶场景中对Lidar点云障碍物的形状估计就是要给点云簇找到一个合适的3D矩形框.简单起见,我们只考虑偏航角(Yaw),忽略俯仰和翻滚角,这也符合自动驾驶场景中对一般障碍物的设定.有了这个设定之后 ...
K-means 方法实现3D点云的聚类算法
K-means 方法实现3D点云的聚类算法 import numpy as np import open3d as o3d import copy import random from matplot ...
PCL 点云欧式聚类
目录一.概述二.代码三.结果一.概述 PCL中点云欧式聚类的简单使用案例二.代码 cluster_extraction.cpp #include <pcl/ModelCoeffic ...
点云谱聚类实现代码_Spark跑DBSCAN算法，工业级代码长啥样？
最近着手的一个项目需要在Spark环境下使用DBSCAN算法,遗憾的是Spark MLlib中并没有提供该算法.调研了一些相关的文章,有些方案是将样本点按照空间位置进行分区,并在每个空间分区中分别跑D ...
【点云论文速读】点云分层聚类算法
点云PCL免费知识星球,点云论文速读. 标题:PAIRWISE LINKAGE FOR POINT CLOUD SEGMENTATION 作者:Lu, Xiaohu and Yao, Jian and ...

DBSCAN 对点云障碍物聚类

DBSCAN 对点云障碍物聚类

DBSCAN 对点云障碍物聚类相关推荐

最新文章

热门文章