C++实战：3D点云物体聚类的原理与实现指南

1次阅读

共计 2721 个字符，预计需要花费 7 分钟才能阅读完成。

3D 点云物体聚类是自动驾驶、机器人导航等领域的关键技术。通过激光雷达或深度相机获取的环境点云数据，往往包含大量无序点集。聚类算法能将这些点划分为有意义的物体（如车辆、行人、障碍物），为后续的路径规划、避障等决策提供基础。相比传统图像处理，点云数据具有三维几何信息丰富、不受光照影响等优势，但同时也面临数据量大、噪声多、计算复杂度高的挑战。

点云聚类常用算法主要包括：

DBSCAN：基于密度的空间聚类，优势在于无需预设类别数，能发现任意形状的簇，适合处理噪声点。但需要仔细调整邻域半径和最小点数参数。
欧式聚类 ：PCL 库中的EuclideanClusterExtraction 实现，原理与 DBSCAN 类似但针对点云优化，计算效率较高，是大多数场景的首选。
K-means：需要预先指定 K 值，对非球形簇效果较差，在点云中应用较少。

对于实时性要求高的场景（如自动驾驶），通常优先选择欧式聚类。若点云密度差异大，可尝试 DBSCAN 的变种算法。

确保安装 PCL（Point Cloud Library）1.8+ 版本。推荐使用 Ubuntu 系统通过 apt-get install libpcl-dev 安装。输入数据建议采用 .pcd 格式，可通过 PCL 提供的工具转换其他格式。

#include <pcl/io/pcd_io.h>
#include <pcl/visualization/cloud_viewer.h>

int main() {
    // 加载点云
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("input.pcd", *cloud) == -1) {PCL_ERROR("文件读取失败 \n");
        return -1;
    }

    // 可视化（调试用）pcl::visualization::CloudViewer viewer("点云预览");
    viewer.showCloud(cloud);
    while (!viewer.wasStopped()) {}
    return 0;
}

大规模点云需先进行体素网格滤波降低数据量：

#include <pcl/filters/voxel_grid.h>

void downSample(pcl::PointCloud<pcl::PointXYZ>::Ptr &cloud) {
    pcl::VoxelGrid<pcl::PointXYZ> vg;
    vg.setInputCloud(cloud);
    vg.setLeafSize(0.05f, 0.05f, 0.05f); // 单位：米
    vg.filter(*cloud);
}

统计离群值移除可消除噪声：

#include <pcl/filters/statistical_outlier_removal.h>

void removeNoise(pcl::PointCloud<pcl::PointXYZ>::Ptr &cloud) {
    pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
    sor.setInputCloud(cloud);
    sor.setMeanK(50);       // 邻域点数
    sor.setStddevMulThresh(1.0); // 标准差倍数
    sor.filter(*cloud);
}

#include <pcl/segmentation/extract_clusters.h>

void cluster(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 创建 KD 树加速搜索
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud);

    // 执行聚类
    std::vector<pcl::PointIndices> cluster_indices;
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    ec.setClusterTolerance(0.2); // 单位：米
    ec.setMinClusterSize(100);   // 最小点数
    ec.setMaxClusterSize(25000); // 最大点数
    ec.setSearchMethod(tree);
    ec.setInputCloud(cloud);
    ec.extract(cluster_indices);

    // 输出结果
    int j = 0;
    for (const auto &cluster : cluster_indices) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_cluster(new pcl::PointCloud<pcl::PointXYZ>);
        for (const auto &idx : cluster.indices)
            cloud_cluster->push_back((*cloud)[idx]);
        std::cout << "Cluster" << j++ << "点数:" << cloud_cluster->size() << std::endl;}
}

欧式聚类的主要耗时在邻域搜索（使用 KD 树时为 O(N log N)）。当点云超过 10^5 时，建议：