点云 DBSCAN 对点云障碍物聚类

痛定思痛。 2022-09-09 04:44 215阅读 0赞

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