文章目錄

• 前言
• 一、kmeans聚類算法
• 二、DBSCAN 聚類算法
• 三、歐幾里德聚類算法

前言

點云聚類就是根據某個劃分依據（如距離，密度等）將點云數據集的點云劃分成不同的點云簇的過程

一、kmeans聚類算法

k-means 聚類算法將整個點云數據集分為 k 個具有某種統一特征的點云簇。首先從獲得的激光點云數據集中隨機選擇 k 個點作為點云簇的中心點。接著對于每個點云數據分別計算與上述 k 個點的實際距離，依據距離值最小的原則將其聚類到該點云簇。之后對聚類的點云簇計算形心坐標，并更新點云簇中心點。重復上述步驟，直到點云簇中心點不再變化即停止 k-means 聚類過程。

二、DBSCAN 聚類算法

DBSCAN 聚類算法通過點云密度這一聚類標準來將點云集劃分為不同的點云簇。DBSCAN 算法進行聚類的流程如下：
（1）初始化包含所有對象的集合 A，標記 A 中對象為“未訪問”。
（2）從 A 中任取一點$p_i$，設計參數ε和 s，若點$p_i$的ε領域包含的點的數目超過了 s，則判定$p_i$為核心對象，若不是核心對象則是聚類邊緣點或者噪聲點。
（3）若$p_i$ ，$p_j$ 均為核心點，且其均在對方的ε領域內，則稱點$p_i$ 、$p_j$ 密度可達。找到一個核心對象能夠密度可達的所有樣本集合，組成一個聚類簇。
（4）再訪問其他未被讀取過的核心對象去尋找密度可達的樣本集合，此時得到另一個簇，一直運行直到所有核心對象都被訪問過為止。

三、歐幾里德聚類算法

歐幾里得聚類算法是基于歐式距離聚類的方法，在激光雷達的點云數據中，同一個物體的點云簇中兩點之間的距離小于一定的值，而不同物體之間的點云簇之間的距離大于一定的值。歐幾里得聚類算法就是根據此種原理，將歐幾里德距離小于設定距離閾值的點合并成一類，從而完成聚類過程。

其中，搜索距離閾值對點云的聚類效果有決定性作用，由于雷達的點云往往近處教密，遠處稀疏，因此距離閾值往往也是隨著距離動態變化的。

總結

以上是生活随笔為你收集整理的激光雷达障碍物检测：点云聚类算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。