dbscan算法_使用Kdtree加速的DBSCAN进行点云聚类

作者：姜小明 @github

日期：2020-06-28

关键字：Kdtreee, DBSCAN, PCL, 点云

DBSCAN算法适用于点云聚类，但是3d点云数据一般较大，朴素的DBSCAN算法处理起来效率很低。对此，可以通过使用Kdtree检索临近点，从而加速DBSCAN算法。

1. DBSCAN

在点云数据分析中，我们经常需要对点云数据进行分割，提取感兴趣的部分。聚类是点云分割中的一类方法（其他方法有模型拟合、区域增长、基于图的方法、深度学习方法等）。DBSCAN 是一种基于密度的聚类算法，具有抗噪声、无需指定类别种数、可以在空间数据中发现任意形状的聚类等优点，适用于点云聚类。

1.1 概念

DBSCAN中为了增加抗噪声的能力，引入了核心对象等概念。

ε： 参数，邻域距离。

minPts： 参数，核心点领域内最少点数。

核心点： 在 $epsilon$ 邻域内有至少 $minPts$ 个邻域点的点为核心点。

直接密度可达： 对于样本集合 $D$，如果样本点 $q$ 在 $p$ 的 $epsilon$ 邻域内，并且 $p$ 为核心对象，那么对象 $q$ 从对象 $p$ 直接密度可达。

密度可达： 对于样本集合 $D$，给定一串样本点$p_1$, $p_2$, ..., $p_n$，$p = p_1$, $q = p_n$, 假如对象 $p_i$ 从 $p_{i-1}$ 直接密度可达，那么对象 $q$ 从对象 $p$ 密度可达。

密度相连： 存在样本集合 $D$ 中的一点 $o$ ，如果对象 $o$ 到对象 $p$ 和对象 $q$ 都是密度可达的，那么 $p$ 和 $q$ 密度相联。

DBSCAN 算法核心是找到密度相连对象的最大集合。参考 百度百科-DBSCAN

如图，$minPts=4$，红点为高密度核心点，黄点为边界点，蓝点为低密度噪声点。红黄点组成了一个簇（聚类）。

核心点、边界点、噪声点对应于不同密度，这就是 DBSCAN 属于基于密度聚类方法的原因，也是其具有抗噪声能力的原因。

1.2 算法

如前所述，DBSCAN 算法核心是找到密度相连对象的最大集合。为了实现该算法，有两种方法： - 先遍历所有的点根据邻域点数找出所有核心点，然后采用区域增长方法对其聚类，再遍历聚类中的点，将其直接密度可达的点加入聚类，从而形成最终的聚类。 - 逐点遍历，如果该点非核心点，则认为是噪声点并忽视（噪声点可能在后续被核心点归入聚类中），若为核心点则新建聚类，并将所有邻域点加入聚类。对于邻域点中的核心点，还要递归地把其邻域点加入聚类。依此类推直到无点可加入该聚类，并开始考虑新的点，建立新的聚类。

这里我们采用第二种方法，优点是只用遍历一趟。 伪代码如下（参考 维基百科-DBSCAN）：

DBSCAN(DB, distFunc, eps, minPts) {
    C = 0                                                  /* Cluster counter */
    for each point P in database DB {
        if label(P) ≠ undefined then continue              /* Previously pro