基于3D激光点云的障碍物检测与跟踪---(2)点云聚类

一、为什么要进行聚类（Clustering）

经过滤波、地面与障碍物点云分割后，这些点云混杂在同一个坐标空间，如果不进行聚类，就无法区分每个目标的范围与形状。

因此，我们的目标是：

将点云分成若干独立的"簇（Cluster）"，每个簇对应一个物体。

二、聚类算法原理 ------ 欧式聚类（Euclidean Cluster Extraction）

2.1 基本思想

欧式聚类（Euclidean Cluster Extraction）是 PCL中最常用的聚类算法，核心思想是：

若两个点之间的欧式距离小于给定阈值，则它们属于同一个簇。

2.2 算法流程

构建 KD-Tree以加速邻域查询；
从任意未访问的点开始，搜索其邻域内所有距离小于阈值的点；
将这些点加入同一个簇；
对每个新加入的点重复步骤 2；
当没有更多邻点可加入时，当前簇结束；
继续处理下一个未访问点。

KdTree 是一种加速最近邻搜索的数据结构，聚类算法在计算"点之间的距离是否小于阈值"时会频繁使用它

2.3 算法复杂度

若使用暴力搜索（O(N²)）会非常慢；

KD-Tree 将邻近搜索加速为 O(N·logN)，使其可以实时处理十万级点云。

三、聚类核心代码

cpp 复制代码

  // 构建 KD 树加速搜索
  tree->setInputCloud(cloud);

  ec.setClusterTolerance(cluster_tolerance);  // 聚类距离阈值
  ec.setMinClusterSize(min_size); // 聚类最小点云数量
  ec.setMaxClusterSize(max_size); // 聚类最大点云数量
  ec.setSearchMethod(tree);
  ec.setInputCloud(cloud);
  ec.extract(cluster_indices);

四、参数解析与调优建议

参数	含义	典型值（自动驾驶场景）	调整效果
`cluster_tolerance`	点间聚类距离阈值	0.3 ~ 0.8 m	越小越容易分裂簇
`min_size`	最小簇点数	10 ~ 30	去除噪声小簇
`max_size`	最大簇点数	10000	防止大簇占用全部点

🚀 一般根据激光雷达的点间距与障碍物密度调节 cluster_tolerance。

比如：64线激光常取 0.5m 左右。

五、聚类后的障碍物特征提取

得到每个簇后，通常会进一步计算：

几何中心（Centroid）
体积尺寸（Bounding Box）
朝向角（通过 PCA 求主方向）

核心代码（轴对齐包围盒 AABB）：

cpp 复制代码

PointT min_pt, max_pt; // 点云簇在 X/Y/Z 三个方向的最小值和最大值
Eigen::Vector3f position((max_pt.x + min_pt.x) / 2,
                         (max_pt.y + min_pt.y) / 2,
                         (max_pt.z + min_pt.z) / 2);
Eigen::Vector3f dimension(max_pt.x - min_pt.x,
                          max_pt.y - min_pt.y,
                          max_pt.z - min_pt.z);

可用于绘制障碍物边界框或作为后续跟踪输入。

六、效果总结

阶段	点云数量	内容	效果
滤波后	~35,000	含多类障碍物与噪声	无法直接区分物体
聚类后	各簇独立	每簇对应一个障碍物	可计算包围盒与分类

七、总结与展望

步骤	方法	主要目标
1️⃣ 体素下采样	`VoxelGrid`	降低点云数量
2️⃣ ROI 区域裁剪	`CropBox`	保留感兴趣区域
3️⃣ 地面分割	`RANSAC`	去除地面点
4️⃣ 欧式聚类	`EuclideanClusterExtraction`	提取单个障碍物

经过聚类处理后，我们可以：

计算每个障碍物的三维包围盒；
进行目标跟踪、识别或动态检测；