激光点云的物体聚类

1.什么是聚类算法

聚类就是按照某种特定的标准把一个数据集分割成不同的簇，使得同一个簇内的数据尽可能的相似，不在同一个簇内的数据差异尽可能大。

常用聚类算法包括以下几种：

 

k-means是典型的基于划分的聚类算法，针对散落的点集，选定聚类个数然后随机初始化中心点，通过迭代计算拉近类内点的距离，增大类间点的距离。

基于网格的聚类是将数据空间划分成栅格形式，将数据映射到网络中，然后计算每个栅格中点集密度，根据预设的阈值对网络单元的类别做出分类，并与邻近的栅格组形成类。

GMM是一种基于模型的聚类方法，为每簇假定了一个模型，依概率的方式寻找数据对给定模型的最佳拟合。

2.聚类的评判标准

聚类是一种无监督算法，一个好的聚类算法具有高的类内距离，同时具有低的类间距离。

通常可以通过内在方法和外在方法进行评估。

内部评价：是一种无监督的方式，采用类内聚集程度和类间离散程度衡量，比如轮廓系数，DB指数等。

外部评价：是一种有监督的方式，用一定的度量评价结果与基准数据的相似程度。比如归一化信息，兰德指数等。

3.三维点云的聚类

三维点云通常利用其特征属性进行聚类，对每个点空间或者局部空间进行特征的提取或者转换，得到多种属性，如：法向量，密度，距离，高程，强度等，将不同属性的点云分割出来。

在点云处理中常见的有欧式聚类，密度聚类，超体聚类，针对不同的场景各有优缺点，从算法的耗时角度出发超体聚类最慢，欧式聚类最快；从算法的效果角度出发欧氏距离最暴力直接，超体聚类对特殊形态的物体表征最好。下图是一张经过点云预处理后的障碍物聚类图：

 

4.点云的欧式聚类

欧式聚类依据欧氏距离作为判定准则，对于空间内的一点P，通过KD-Tree在领域搜索k个距离P点最近的点，其中距离小于设定阈值的便放入集合Q中，如果Q中元素不在增加，则聚类过程结束；否则在集合Q中选取P以外的点重复以上步骤。

欧式聚类算法在调参过程中有一个比较关键，就是点与点之间的距离阈值的设定。激光雷达在采样过程中具有近密远疏的特点，所以近处的点集之间距离较小，远处的点集之间距离较大。

经常遇到的一个问题就是，设定了距离阈值后，近处的目标聚类效果较好，但远处的目标出现欠分割或者截断的问题。如下图所示，顶部车辆中间区域距离较远导致被聚类成两个目标。

为了解决欧氏距离在不同距离段，点的间距不同的问题。工程上有人采用分段聚类，在不同距离段设置不同的阈值，多线程并行运算每一段的聚类算法，最后在分段间隔处对聚类目标进行融合。

欧式聚类算法实现相对简单，采用kd-tree搜索空间点，运算效率相对较高。但是对离群点和噪声点敏感，在道路场景对障碍物聚类时，会对灌木，树枝等点云分布不规则静态障碍物，在连续帧中聚类出不同的效果，导致外接框拟合抖动。并且欧式聚类的距离阈值对近处和远处的目标点集难以有通用性。

5.点云的密度聚类

密度聚类是将簇定义为密度相连的点的最大集合，能够把具有足够高的密度的区域划分为簇，并可以在噪声的空间数据库中发现任意形状的聚类。

DBSCAN是一种典型的密度聚类算法，它使用两个参数来描述样本的紧密程度，其一是邻域半径，用来描述当前的邻域距离阈值；其二是点的个数，用来描述在邻域范围内数据点的最小个数。

从原理出发还需要了解相关的基本概念：

1）核心对象：对于空间任一点P如果其邻域至少包含k个样本点，则p是核心对象；

2）密度直达：如果点Q位于点P的邻域内，且P是核心对象，则Q由P密度直达；

3）密度可达：如果在样本序列P₁，P₂，P₃，P₂是由P₁密度直达，P₃是由P₂密度直达，则P₃由P₁密度可达；

4）密度直连：对于空间点P和Q，如果存在核心对象T使得P和Q均由T密度可达，则称P和Q密度直连；

算法流程如下：

1.设置参数Distance作为距离阈值；

2.选取空间一点P，搜索最近的k个点；

3.将k个点中小于阈值Distance的点归入集合Q；

4.在集合Q中选取P以外的点重复2操作；

5.Q中的点不在增加则完成聚类

密度聚类对噪声点不敏感，选择合适的阈值可以将目标点和离群点分离。但是在大规模的点云数据中，每个三维点都必须与其他对象点进行比较，算法耗时严重。而且对于线束较少的激光雷达点云，由于线束之间采样点间隔较大，邻域内的点云稀疏，采用密度聚类很容易造成目标点被当成噪声丢失掉，如下图所示：

 

左图是聚类前的点云，右图是密度聚类后的点云，红色圆圈处的点集由于核心对象邻域内点数稀疏，聚类后被当做噪声点丢失。

点云采用聚类算法进行障碍物分割经常出现欠分割和过分割的问题。一般聚类算法需要设置一个搜索半径，如果搜索半径过小，会将一个对象分割成多个聚类目标；如果搜索半径太大，会将多个对象分割为一个聚类目标。如下图所示：

左边的卡车被聚类成两块，右边的卡车被聚类成三块。

6.点云中的超体聚类

超体聚类类似于基于网格的聚类方式，欧式聚类和密度聚类均采用kdtree的方式进行点的搜索，而超体聚类采用八叉树进行点云的编码。对三维空间进行3D栅格化，在栅格之间做区域生长的操作。

实际应用中会对根据使用的激光雷达数据对典型算法进行改进，比如为了降低密度聚类逐点比较的时间成本，可以将三维点云数据按照维度划分为体素栅格为单元进行聚类，减少在空间中以点为单位的邻域搜索时间。