0
点赞
收藏
分享

微信扫一扫

激光雷达障碍物检测:点云聚类算法

NicoalsNC 2022-02-25 阅读 91

文章目录

前言

点云聚类就是根据某个划分依据(如距离,密度等)将点云数据集的点云划分成不同的点云簇的过程

一、kmeans聚类算法

k-means 聚类算法将整个点云数据集分为 k 个具有某种统一特征的点云簇。首先从获得的激光点云数据集中随机选择 k 个点作为点云簇的中心点。接着对于每个点云数据分别计算与上述 k 个点的实际距离,依据距离值最小的原则将其聚类到该点云簇。之后对聚类的点云簇计算形心坐标,并更新点云簇中心点。重复上述步骤,直到点云簇中心点不再变化即停止 k-means 聚类过程。

二、DBSCAN 聚类算法

DBSCAN 聚类算法通过点云密度这一聚类标准来将点云集划分为不同的点云簇。DBSCAN 算法进行聚类的流程如下:
(1)初始化包含所有对象的集合 A,标记 A 中对象为“未访问”。
(2)从 A 中任取一点 p i p_{i} pi,设计参数ε和 s,若点 p i p_{i} pi的ε领域包含的点的数目超过了 s,则判定 p i p_{i} pi为核心对象,若不是核心对象则是聚类边缘点或者噪声点。
(3)若 p i p_{i} pi p j p_{j} pj 均为核心点,且其均在对方的ε领域内,则称点 p i p_{i} pi p j p_{j} pj 密度可达。找到一个核心对象能够密度可达的所有样本集合,组成一个聚类簇。
(4)再访问其他未被读取过的核心对象去寻找密度可达的样本集合,此时得到另一个簇,一直运行直到所有核心对象都被访问过为止。

三、欧几里德聚类算法

欧几里得聚类算法是基于欧式距离聚类的方法,在激光雷达的点云数据中,同一个物体的点云簇中两点之间的距离小于一定的值,而不同物体之间的点云簇之间的距离大于一定的值。欧几里得聚类算法就是根据此种原理,将欧几里德距离小于设定距离阈值的点合并成一类,从而完成聚类过程。
在这里插入图片描述

其中,搜索距离阈值对点云的聚类效果有决定性作用,由于雷达的点云往往近处教密,远处稀疏,因此距离阈值往往也是随着距离动态变化的。

举报

相关推荐

0 条评论