<think>我们已知用户需求：在ROS框架下实现基于
欧几里德距离的
点云数据
聚类。
根据引用内容，我们可以总结出以下步骤：
1. 首先，需要有一个节点订阅已经分割好的非地面
点云（如引用[2]提到的/filtered_points_no_ground话题）。
2. 然后，使用PCL库中的
欧几里德聚类算法对非地面
点云进行
聚类。
3. 最后，将
聚类结果发布出去（例如每个
聚类的
点云或者用Bounding Box表示）。
具体实现步骤：
步骤1：创建一个ROS节点，订阅分割后的非地面
点云话题（例如/filtered_points_no_ground）。
步骤2：在回调函数中，将接收到的ROS
点云消息转换为PCL
点云格式（通常为pcl
::PointCloud<pcl
::PointXYZ>）。
步骤3：使用PCL的
欧几里德聚类算法进行
聚类。这包括：
a. 创建一个kd-tree结构用于快速最近邻搜索。
b. 设置
聚类参数（如距离阈值、最小点数和最大点数）。
c. 执行
聚类算法，得到
聚类索引向量。
步骤4：将
聚类结果可视化或者发布。例如，可以为每个
聚类分配一个颜色，然后发布一个MarkerArray（用于在Rviz中显示Bounding Box）或者发布多个
点云话题（每个
聚类一个话题）。
下面我们提供一个简单的代码框架，展示如何在ROS中实现
欧几里德聚类。
注意：我们假设已经安装了PCL和ROS，并且已经创建了一个ROS包，并添加了pcl_conversions和pcl_ros的依赖。
代码
示例（C++）：
```cpp
#include <ros/ros.h>
#include <sensor_msgs/PointCloud2.h>
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/kdtree/kdtree.h>
#include <pcl/segmentation/extract_clusters.h>
#include <visualization_msgs/MarkerArray.h>
#include <pcl/common/common.h>
ros
::Publisher cluster_pub; // 用于发布
聚类的MarkerArray
ros
::Publisher colored_cloud_pub; // 用于发布带颜色的
点云（可选）
void cloudCallback(const sensor_msgs
::PointCloud2ConstPtr& input_msg) {
// 将ROS消息转换为PCL
点云
pcl
::PointCloud<pcl
::PointXYZ>
::Ptr cloud(new pcl
::PointCloud<pcl
::PointXYZ>);
pcl
::fromROSMsg(*input_msg, *cloud);
// 创建kd-tree对象
pcl
::search
::KdTree<pcl
::PointXYZ>
::Ptr tree(new pcl
::search
::KdTree<pcl
::PointXYZ>);
tree->setInputCloud(cloud);
// 用于存储
聚类索引的向量
std
::vector<pcl
::PointIndices> cluster_indices;
// 创建
欧几里德聚类对象
pcl
::EuclideanClusterExtraction<pcl
::PointXYZ> ec;
ec.setClusterTolerance(0.3); // 设置
聚类的距离阈值（单位：米）
ec.setMinClusterSize(100); // 最小
聚类点数
ec.setMaxClusterSize(25000); // 最大
聚类点数
ec.setSearchMethod(tree);
ec.setInputCloud(cloud);
ec.extract(cluster_indices); // 执行
聚类，结果保存在cluster_indices中
// 可选：发布带颜色的
点云，每个
聚类一个颜色
pcl
::PointCloud<pcl
::PointXYZRGB>
::Ptr colored_cloud(new pcl
::PointCloud<pcl
::PointXYZRGB>);
colored_cloud->points.clear();
// 创建MarkerArray用于显示Bounding Box
visualization_msgs
::MarkerArray marker_array;
int cluster_id = 0;
for (const auto& indices
: cluster_indices) {
// 1. 为每个
聚类生成一个随机颜色
uint8_t r = rand() % 256;
uint8_t g = rand() % 256;
uint8_t b = rand() % 256;
// 2. 将当前
聚类的
点云添加到colored_cloud，并设置颜色
for (const auto& idx
: indices.indices) {
pcl
::PointXYZRGB point;
point.x = cloud->points[idx].x;
point.y = cloud->points[idx].y;
point.z = cloud->points[idx].z;
point.r = r;
point.g = g;
point.b = b;
colored_cloud->push_back(point);
}
// 3. 计算当前
聚类的边界框
pcl
::PointXYZ min_point, max_point;
pcl
::getMinMax3D(*cloud, indices.indices, min_point, max_point);
// 4. 创建边界框的Marker
visualization_msgs
::Marker marker;
marker.header.frame_id = input_msg->header.frame_id;
marker.header.stamp = ros
::Time
::now();
marker.ns = "cluster";
marker.id = cluster_id++;
marker.type = visualization_msgs
::Marker
::CUBE;
marker.action = visualization_msgs
::Marker
::ADD;
// 设置边界框的中心位置
marker.pose.position.x = (min_point.x + max_point.x) / 2.0;
marker.pose.position.y = (min_point.y + max_point.y) / 2.0;
marker.pose.position.z = (min_point.z + max_point.z) / 2.0;
marker.pose.orientation.w = 1.0;
// 设置边界框的尺寸
marker.scale.x = max_point.x - min_point.x;
marker.scale.y = max_point.y - min_point.y;
marker.scale.z = max_point.z - min_point.z;
// 设置颜色
marker.color.r = r / 255.0;
marker.color.g = g / 255.0;
marker.color.b = b / 255.0;
marker.color.a = 0.3; // 半透明
marker.lifetime = ros
::Duration(0.1); // 存在时间
marker_array.markers.push_back(marker);
}
// 发布MarkerArray
cluster_pub.publish(marker_array);
// 发布带颜色的
点云（可选）
sensor_msgs
::PointCloud2 output_cloud;
pcl
::toROSMsg(*colored_cloud, output_cloud);
output_cloud.header = input_msg->header;
colored_cloud_pub.publish(output_cloud);
}
int main(int argc, char** argv) {
ros
::init(argc, argv, "euclidean_cluster");
ros
::NodeHandle nh;
// 订阅非地面
点云
ros
::Subscriber sub = nh.subscribe<sensor_msgs
::PointCloud2>("/filtered_points_no_ground", 1, cloudCallback);
// 发布
聚类结果的MarkerArray和带颜色的
点云
cluster_pub = nh.advertise<visualization_msgs
::MarkerArray>("cluster_markers", 1);
colored_cloud_pub = nh.advertise<sensor_msgs
::PointCloud2>("colored_clusters", 1);
ros
::spin();
return 0;
}
```
说明：
1. 上述代码中，我们首先将ROS
点云消息转换为PCL
点云。
2. 然后使用kd-tree和
欧几里德聚类算法进行
聚类。
3.
聚类结果用两种方式可视化：一种是给每个
聚类的
点云上色并发布（用于
点云显示），另一种是计算每个
聚类的3D边界框并发布MarkerArray（在Rviz中显示为立方体）。
4. 注意：
聚类参数（如距离阈值、最小和最大点数）需要根据实际场景调整。
在ROS中运行：
1. 将代码保存为`euclidean_cluster.cpp`，并在CMakeLists.txt中添加可执行文件和链接库。
2. 编译后，运行节点，同时确保有非地面
点云输入（例如来自地面分割节点的输出）。
参数调整建议：
- `setClusterTolerance`：设置
聚类的距离容差（即两个点之间的最大距离，超过这个距离则不属于同一
聚类）。这个值需要根据
点云的密度和障碍物之间的距离来设定。例如，在自动驾驶场景中，如果车辆和行人是分开的，那么这个值应该小于车辆和行人之间的距离。
- `setMinClusterSize`和`setMaxClusterSize`：根据障碍物的大小设定。太小的
聚类可能是噪声，太大的
聚类可能是不合理的（例如将多个物体聚在一起）。
参考文献：
以上实现参考了PCL官方文档和ROS中关于
点云处理的一些常见实践[^1][^2][^3]。
§§相关问题§§
1. 如何调整
欧几里德聚类的参数以适应不同的场景？
2. 除了
欧几里德聚类，还有哪些
点云聚类算法可以在ROS中使用？
3. 如何评估
点云聚类的效果？</think>### 在ROS中实现
欧几里德聚类的
点云数据处理
#### 一、实现步骤
1. **环境准备**
- 安装依赖：`sudo apt-get install ros-<distro>-pcl-ros ros-<distro>-pcl-conversions`
- 创建ROS包：`catkin_create_pkg my_cluster roscpp sensor_msgs pcl_ros pcl_conversions`
2. **核心代码实现**
创建`src/euclidean_cluster.cpp`文件：
```cpp
#include <ros/ros.h>
#include <pcl/point_types.h>
#include <pcl/segmentation/extract_clusters.h>
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/kdtree/kdtree.h>
#include <sensor_msgs/PointCloud2.h>
ros
::Publisher cluster_pub;
void cloudCallback(const sensor_msgs
::PointCloud2ConstPtr& input) {
// 转换为PCL
点云格式
pcl
::PointCloud<pcl
::PointXYZ>
::Ptr cloud(new pcl
::PointCloud<pcl
::PointXYZ>);
pcl
::fromROSMsg(*input, *cloud);
// 创建KD-Tree加速搜索
pcl
::search
::KdTree<pcl
::PointXYZ>
::Ptr tree(new pcl
::search
::KdTree<pcl
::PointXYZ>);
tree->setInputCloud(cloud);
//
欧几里德聚类
std
::vector<pcl
::PointIndices> cluster_indices;
pcl
::EuclideanClusterExtraction<pcl
::PointXYZ> ec;
ec.setClusterTolerance(0.5); //
聚类距离阈值（单位：米）
ec.setMinClusterSize(100); // 最小点数
ec.setMaxClusterSize(10000); // 最大点数
ec.setSearchMethod(tree);
ec.setInputCloud(cloud);
ec.extract(cluster_indices);
// 发布
聚类结果（
示例：发布第一个
聚类）
if (!cluster_indices.empty()) {
pcl
::PointCloud<pcl
::PointXYZ> first_cluster;
for (const auto& idx
: cluster_indices[0].indices) {
first_cluster.push_back(cloud->points[idx]);
}
sensor_msgs
::PointCloud2 output;
pcl
::toROSMsg(first_cluster, output);
output.header = input->header;
cluster_pub.publish(output);
}
}
int main(int argc, char** argv) {
ros
::init(argc, argv, "euclidean_cluster");
ros
::NodeHandle nh;
// 订阅非地面
点云（需提前分割）
ros
::Subscriber sub = nh.subscribe("/filtered_points_no_ground", 1, cloudCallback);
// 发布
聚类结果
cluster_pub = nh.advertise<sensor_msgs
::PointCloud2>("/clustered_points", 1);
ros
::spin();
return 0;
}
```
3. **参数配置**
在`CMakeLists.txt`中添加：
```cmake
add_executable(euclidean_cluster src/euclidean_cluster.cpp)
target_link_libraries(euclidean_cluster ${catkin_LIBRARIES})
```
4. **运行流程**
```bash
catkin_make
rosrun my_cluster euclidean_cluster
# 在RVIZ中可视化：/clustered_points
```
#### 二、关键参数说明
1. **
聚类距离阈值**
`setClusterTolerance()` 需根据传感器精度调整：
- 16线雷达：$0.3 \sim 0.5$ 米
- 64线雷达：$0.1 \sim 0.3$ 米[^1]
2. **
点云数量限制**
- `MinClusterSize`：过滤噪声点（建议 $50 \sim 200$）
- `MaxClusterSize`：防止超大
聚类（建议 $5000 \sim 20000$）
3. **KD-Tree优化**
使用空间分割数据结构加速近邻搜索，时间复杂度从$O(n^2)$降至$O(n \log n)$[^3]
#### 三、效果优化建议
1. **预处理**
- 体素滤波降采样：`pcl
::VoxelGrid`
- 统计滤波去噪：`pcl
::StatisticalOutlierRemoval`
2. **后处理**
- 计算
聚类3D边界框：
```cpp
pcl
::getMinMax3D(cluster, min_pt, max_pt);
Eigen
::Vector3f size = max_pt.getVector3fMap() - min_pt.getVector3fMap();
```
- 发布`visualization_msgs
::MarkerArray`显示包围盒
3. **多话题输出**
修改代码为每个
聚类分配独立话题：
```cpp
for (int i=0; i<cluster_indices.size(); ++i) {
ros
::Publisher pub = nh.advertise<sensor_msgs
::PointCloud2>("/cluster_"+std
::to_string(i), 1);
// ...发布每个
聚类的
点云
}
```
#### 四、典型应用场景
1. **自动驾驶障碍物检测**
- 分割车辆/行人/骑行者
- 实时性：16线雷达处理速度约$20 \sim 50$ ms/帧[^1]
2. **机器人导航**
- 环境物体分离（桌椅/墙壁等）
- 配合SLAM构建语义地图
3. **工业分拣系统**
- 流水线上物体
聚类定位
-
点云密度要求：$> 100$ 点/物体[^2]
> 实现效果参考：
> 
> *
聚类结果用不同颜色标识（来源：PCL官方文档）[^3]*
---
本文介绍了如何利用Open3D库进行点云数据的欧几里德聚类。通过安装Open3D，读取点云数据，设置聚类参数并执行聚类算法，将点云数据划分到不同的集群。最后，展示了根据聚类结果对点云进行颜色编码和可视化的步骤，提供了一个基础示例以帮助理解和应用欧几里德聚类。
订阅专栏 解锁全文
扫一扫
1759
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
