3. 点云分割与聚类：基于欧几偶里得聚类的目标分割、DBSCAN算法在点云中的应用

点云分割与聚类，说白了就是把一堆乱七八糟的点，按照物体分堆。你想想看，激光雷达扫回来几万个点，里面可能有车、有行人、有树、有路灯。如果不把它们分开，后续的跟踪就没法做。

我个人习惯把聚类看作是感知系统的「第一道筛子」。筛得好不好，直接决定了后面目标识别的上限。今天我们就聊聊两种最常用的方法：欧几里得聚类和DBSCAN。

3.1 欧几里得聚类：最直观的分割方式

欧几里得聚类，名字听着挺唬人，其实原理特别简单。就是算两个点之间的直线距离，如果距离小于某个阈值，就认为它们属于同一个物体。

我在项目中第一次用这个方法时，觉得它太「笨」了。但后来发现，对于稀疏的远距离点云，它反而比那些花哨的算法更稳定。嗯，这里要注意一个关键点：阈值的选择。

算法流程其实就三步：

1. 选一个种子点：从点云中随便挑一个没处理过的点
2. 找邻居：用KD-Tree快速搜索半径 r 内的所有点
3. 生长：把这些邻居点加入当前簇，再以它们为种子继续找

重复以上步骤，直到所有点都被标记。说白了就是个「滚雪球」的过程。

代码实现其实不复杂，PCL库里有现成的：

// PCL 欧几里得聚类示例
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.5);      // 距离阈值 0.5米
ec.setMinClusterSize(100);        // 最少100个点才算一个目标
ec.setMaxClusterSize(25000);      // 最多25000个点
ec.setSearchMethod(tree);         // KD-Tree加速
ec.setInputCloud(cloud);
ec.extract(cluster_indices);      // 输出聚类结果

你看，核心参数就三个：距离阈值、最小点数、最大点数。最小点数这个参数，我吃过亏。有一次把路边的几个噪点也聚类成一个目标，结果跟踪模块一直报假警。后来我设了最小点数100，这种误检就少了很多。

3.2 DBSCAN：能处理噪声的密度聚类

欧几里得聚类有个硬伤：它假设所有区域的点云密度是一样的。但实际场景中，近处的点密密麻麻，远处的点稀稀拉拉。用同一个阈值，近处容易过分割，远处容易欠分割。

DBSCAN 就是来解决这个问题的。它不看绝对距离，而是看密度。一个点周围如果足够「热闹」，它就是核心点；如果周围冷冷清清，它就是噪声。

算法怎么工作的？我简单说说：

• 先找一个核心点，把它邻域内的所有点都拉进来
• 对这些新拉进来的点，如果它们也是核心点，继续扩张
• 直到没有新的核心点可以加入，一个簇就形成了
• 剩下的点，要么是边界点（归入最近的簇），要么是噪声（直接扔掉）

我曾经在一个项目中，用欧几里得聚类处理高速公路场景。结果远处的车因为点太稀疏，被当成了噪声。换成 DBSCAN 后，把 eps 设大一些，远处的车也能被正确聚类。这就是密度聚类的优势——它不要求全局密度一致。

PCL 里也有 DBSCAN 的实现，不过需要自己封装一下：

// 伪代码：DBSCAN 核心逻辑
for each point p in cloud:
    if p is visited: continue
    neighbors = regionQuery(p, eps)   // 找邻域点
    if neighbors.size() < minPts:
        mark p as noise
    else:
        expandCluster(p, neighbors)   // 扩张簇

3.3 两种方法怎么选？

说实话，没有绝对的好坏。我个人的经验是：

场景	推荐方法	理由
近距离城市道路（0-50米）	欧几里得聚类	点云密集，阈值好调，速度快
高速公路（50-150米）	DBSCAN	密度变化大，DBSCAN 更鲁棒
有大量噪声的场景	DBSCAN	天然支持噪声过滤
实时性要求极高	欧几里得聚类	计算量小，容易并行化

你想想看，如果场景简单、点云均匀，欧几里得聚类又快又好。但如果场景复杂、噪声多，DBSCAN 的密度思想就派上用场了。

好了，关于点云分割与聚类，今天就聊这么多。这两种方法都是基础中的基础，但用好它们，需要你对场景有深刻的理解。多调参、多试错，慢慢就有感觉了。