3D点云数据标注技术入门：从数据采集到标注工具实战

1次阅读

没有评论

共计 1597 个字符，预计需要花费 4 分钟才能阅读完成。

3D 点云数据是通过激光雷达等设备采集的三维空间信息，广泛应用于自动驾驶、机器人导航、增强现实等领域。相比传统的 2D 图像，点云数据能更准确地描述物体的几何形状和空间位置，这对于需要精确感知环境的场景至关重要。

对于新手来说，点云数据标注存在几个常见痛点：

数据噪声处理 ：点云数据常包含来自环境反射、设备误差的噪声点
标注一致性 ：不同标注人员对同一物体的标注可能不一致
大文件处理 ：点云数据量大，普通电脑可能难以流畅处理
复杂场景理解 ：多物体重叠、遮挡情况下的标注困难
工具学习曲线 ：专业标注工具操作复杂，上手难度高

LabelMe：轻量级开源工具，适合小规模项目，但 3D 功能有限
Supervisely：专业级平台，支持团队协作，学习成本较高
CVAT：英特尔开源工具，平衡了功能和易用性，推荐初学者尝试

降采样 ：减少点云密度，提高处理效率
去噪：移除孤立点和异常值
归一化 ：将点云坐标转换到统一范围
地面分割 ：分离地面点和其他物体

import open3d as o3d
import numpy as np

# 读取点云文件
pcd = o3d.io.read_point_cloud("sample.pcd")

# 降采样 (体素化)
downpcd = pcd.voxel_down_sample(voxel_size=0.05)  # 时间复杂度 O(n)

# 统计去噪
cl, ind = downpcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
clean_pcd = downpcd.select_by_index(ind)

# 可视化
o3d.visualization.draw_geometries([clean_pcd])

def create_bbox(center, size):
    """
    创建 3D 边界框
    :param center: [x,y,z] 中心坐标
    :param size: [w,l,h] 宽长高
    :return: 边界框点云
    """
    corners = np.array([[center[0]-size[0]/2, center[1]-size[1]/2, center[2]-size[2]/2],
        [center[0]+size[0]/2, center[1]-size[1]/2, center[2]-size[2]/2],
        # 其余 6 个角点...
    ])
    lines = [[0,1],[1,2],[2,3],[3,0],  # 底面
             [4,5],[5,6],[6,7],[7,4],  # 顶面
             [0,4],[1,5],[2,6],[3,7]]  # 侧棱

    line_set = o3d.geometry.LineSet()
    line_set.points = o3d.utility.Vector3dVector(corners)
    line_set.lines = o3d.utility.Vector2iVector(lines)
    return line_set