PCL 欧氏聚类分割

Posted 2023-03-05 PaQiuQiu

文章目录

• • • • 一、应用背景
      • • 1、点云分割算法的属性
        • 2、点云分割的挑战
      • 二、实现过程
      • 三、主要函数及代码实现
      • • 1、主要函数
        • 2、核心代码
        • 3、效果实现
      • 四、参考文献

一、应用背景

1、点云分割算法的属性

1）鲁棒性，比如树木是具有与汽车相区别的特征的，当点云数据的特征数量增加时，分割算法应该具有一定的鲁棒性，能够学习如何自动的区分它们。

2）其次分割应该能够根据其相邻的信息推断出稀疏点云中这些点的属性或者判定出属于哪个标签。

3）分割算法应该能适用于不同的扫描器，即便是相同的场景在不同的扫描仪生成出的点云也是具有不同的属性的，并且产生点云的质量以及稀疏性的也是不一样的。

2、点云分割的挑战

点云数据虽然可以确定3D对象的形状，大小和一些其他属性，但是3D点云通常由于传感器的限制，数据是嘈杂稀疏且无序的，比如激光雷达线性和角速率的变化，点的采集