4. 点云聚类：DBSCAN聚类、欧式聚类、基于网格的聚类
各位同学，咱们今天聊聊点云聚类。说实话，雷达点云处理里，聚类这一步非常关键。你想想看，传感器扫回来一堆点，哪个点是哪个目标身上的？没人告诉你。聚类就是干这个的——把属于同一个物体的点，归到一堆。
我刚开始做雷达感知那会儿，总觉得聚类很简单，不就是把近的点放一起嘛。后来踩了不少坑才发现，选不对聚类方法，后面跟踪、识别全得崩。今天我把三种最常用的方法掰开揉碎了讲：DBSCAN、欧式聚类、还有基于网格的聚类。
4.1 为什么需要聚类？
先问个问题：雷达检测完，输出了一堆点云坐标。每个点都带着距离、速度、角度信息。但哪个点是行人？哪个点是车？哪个点是路边的护栏？
聚类就是做这个分组的。它把空间上靠近、运动特性相似的点，合并成一个簇。每个簇，就对应一个潜在目标。
我在项目里遇到过这种情况：一辆大卡车旁边站着个人，如果聚类半径设大了，人和车就聚到一起了，变成一个目标。这要是做自动驾驶，后果你懂的。所以聚类参数调不好，后面全是白干。
4.2 DBSCAN聚类
DBSCAN，全称是 Density-Based Spatial Clustering of Applications with Noise。名字挺长，但核心思想很简单：找密度高的区域。
它不关心簇的形状是圆是方，只要点够密，就归为一类。稀疏的点，直接标为噪声。
4.2.1 核心参数
DBSCAN有两个关键参数：
| 参数 | 含义 | 我的经验值 |
|---|---|---|
| eps | 邻域半径 | 0.5m ~ 1.5m（看场景） |
| minPts | 核心点最少邻居数 | 3 ~ 8（点云稀疏时取小值） |
eps设小了，一个行人可能被切成好几块。eps设大了，人和车又粘一起。我个人习惯是先看点云的平均间距，然后取1.5倍作为eps的初始值。
4.2.2 算法流程
说白了就三步：
- 遍历每个点，看它半径eps内有多少个点
- 如果邻居数 ≥ minPts，标记为核心点，开始扩张
- 核心点周围的点，只要在eps内，都归到同一个簇
嗯，这里要注意：DBSCAN不需要预先指定要聚成几类。这点比K-means强太多。你想想看，路上有多少目标，你事先哪知道？
4.2.3 代码示例
from sklearn.cluster import DBSCAN
import numpy as np
# 假设points是N×3的点云数组
points = np.array([[x1,y1,z1], [x2,y2,z2], ...])
# 我一般先做一下距离归一化
# 因为雷达的x、y、z量纲一致，直接算欧式距离就行
clustering = DBSCAN(eps=1.0, min_samples=5).fit(points)
# 聚类结果
labels = clustering.labels_
# -1表示噪声点，其他数字表示簇ID
4.3 欧式聚类
欧式聚类，名字听着高大上，其实就是基于距离的最近邻搜索。它比DBSCAN更直观：两个点距离小于阈值，就认为是一家人。
4.3.1 原理
欧式聚类的逻辑很简单：
- 随便选一个点，找它周围距离小于阈值r的所有点
- 把这些点归为一簇
- 对新加入的点，继续找它们的邻居
- 直到没有新点加入，再选下一个未处理的点
说白了，这就是一个区域生长的过程。我刚开始做的时候，觉得这方法太笨了。后来发现，在点云密度均匀的场景下，它比DBSCAN快得多。
4.3.2 和DBSCAN的区别
| 对比项 | DBSCAN | 欧式聚类 |
|---|---|---|
| 核心思想 | 密度连通 | 距离最近 |
| 噪声处理 | 自动识别噪声 | 需要额外判断 |
| 计算速度 | 较慢（密度计算） | 较快（KD树加速） |
| 适用场景 | 密度不均匀 | 密度均匀 |
我个人习惯：如果场景里目标大小差异很大（比如行人旁边有大货车），用DBSCAN。如果场景比较规整（比如停车场），用欧式聚类更快。
4.3.3 代码示例
import open3d as o3d
# 把numpy点云转成open3d格式
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)
# 欧式聚类
# 参数：聚类阈值0.5m，最少点数10，最多点数1000
labels = pcd.cluster_dbscan(eps=0.5, min_points=10, print_progress=True)
# 注意：open3d里cluster_dbscan实际是DBSCAN实现
# 纯欧式聚类需要自己写或用PCL库
4.4 基于网格的聚类
网格聚类，思路完全不一样。它不关心单个点，而是把空间切分成小格子，然后统计每个格子里的点数。
4.4.1 怎么做？
步骤很简单：
- 把点云空间划分成固定大小的网格（比如0.2m × 0.2m）
- 统计每个网格内的点数
- 点数超过阈值的网格，标记为"有目标"
- 相邻的"有目标"网格，合并成一个簇
你想想看，这其实是在做图像化处理。把3D点云变成2D的栅格图，然后用图像连通域分析的方法做聚类。
4.4.2 优缺点
优点很明显：
- 速度快，因为只处理网格，不处理每个点
- 对噪声不敏感，个别噪点不影响网格统计
- 容易并行化
缺点也很致命：
- 网格大小难选。太小了，一个目标被切碎；太大了，多个目标粘一起
- 丢失了点云的精确位置信息
4.4.3 代码示例
import numpy as np
def grid_clustering(points, grid_size=0.5, min_points=3):
# 计算每个点所在的网格索引
grid_indices = np.floor(points[:, :2] / grid_size).astype(int)
# 统计每个网格的点数
unique_indices, counts = np.unique(grid_indices, axis=0, return_counts=True)
# 过滤掉点数少的网格
valid_grids = unique_indices[counts >= min_points]
# 这里可以用连通域分析合并相邻网格
# 简单实现：直接返回网格中心作为聚类结果
cluster_centers = valid_grids * grid_size + grid_size / 2
return cluster_centers
4.5 三种方法怎么选？
我给大家一个选择思路：
- 场景复杂、目标大小不一 → DBSCAN（灵活，但慢）
- 场景简单、点云均匀 → 欧式聚类（快，够用）
- 需要实时性、粗检测 → 网格聚类（极快，精度低）
说实话，没有银弹。我在实际项目中，经常是网格聚类 + DBSCAN组合使用。先用网格快速定位目标区域，再在区域内用DBSCAN精细聚类。这样既保证了速度，又保证了精度。
好了，聚类这块就讲到这里。下一章咱们聊聊目标跟踪，那又是另一番天地了。