三维目标检测：（四）实现点云的聚类并输出要分类的目标

点云的聚类算法

https://blog.csdn.net/luolaihua2018/article/details/120184539

欧式聚类流程

点云欧式聚类算法流程
（1）点云读入；
（2）体素化下采样（方便处理）；
（3）去离散点；
（4）RANSAC算法检测平面，并剔除平面点云；
（5）欧式聚类；
（6）结果的输出和可视化；

代码（只输出点最多的一个类）

pcl::search::KdTree<PointType>::Ptr tree(new pcl::search::KdTree<PointType>);
        tree->setInputCloud(obj_cloud);//创建点云索引向量，用于存储实际的点云信息
        //用于存储聚类点的容器
        vector<pcl::PointIndices> cluster_indices;
        pcl::EuclideanClusterExtraction<PointType> ec;
        ec.setClusterTolerance(0.02); // 设置近邻搜索的搜索半径为2cm
        ec.setMinClusterSize(1000);//设置一个聚类需要的最少点数目为100
        ec.setMaxClusterSize(10000);//设置一个聚类需要的最大点数目为25000
        ec.setSearchMethod(tree);//设置点云的搜索机制
        ec.setInputCloud(obj_cloud);
        ec.extract(cluster_indices);//从点云中提取聚类，并将点云索引保存在cluster_indices中
		cloud_cluster = this->best_obj(cluster_indices,obj_cloud);
PointCloud<PointType>::Ptr pointcloud_seg::best_obj(const vector<pcl::PointIndices>& cluster_indices,const pcl::PointCloud<PointType>::Ptr &msg)
    {
    int index=cluster_indices.size();

    pcl::PointCloud<PointType>::Ptr cloud_cluster(new pcl::PointCloud<PointType>);
    int clu=0;
    if(index ==0)
    {
        cout<<"There are no object in this pointcloud!"<<endl;
        return msg;
    }
    int maxmum=cluster_indices[0].indices.size();
    for(int i=0;i<index;i++)
    {
       if(cluster_indices[i].indices.size()>maxmum)
       {
           maxmum=cluster_indices[i].indices.size();
           clu = i;
       }
    }
    pcl::PointIndices max=cluster_indices[clu];
    for (vector<int>::const_iterator pit = max.indices.begin(); pit != max.indices.end(); pit++) {
        cloud_cluster->points.push_back(msg->points[*pit]);
        cloud_cluster->header = msg->header;
        cloud_cluster->width = cloud_cluster->points.size();
        cloud_cluster->height = 1;
        cloud_cluster->is_dense = true;
    }
    std::cout << "PointCloud representing the Cluster: " << cloud_cluster->size() << " data points."<< std::endl;
    return cloud_cluster;
}