3D点云数据标注实战：从算法选型到高效标注工具开发

1次阅读

共计 1912 个字符，预计需要花费 5 分钟才能阅读完成。

在自动驾驶和机器人领域，3D 点云标注是构建感知系统的关键步骤。但实际工作中会遇到几个头疼的问题：

人工标注效率低下 ：标注一帧 64 线激光雷达数据（约 10 万个点）需要 30-60 分钟
多视角一致性差 ：同一物体在不同视角下可能出现标注框不对齐的情况
标注质量波动大 ：不同标注人员对遮挡物体的理解存在主观差异

PointNet++
优势：直接处理原始点云，保留几何细节（适合稀疏点云）
劣势：对大规模点云内存消耗较大
数学表达：层级特征聚合公式
$$f^{(l)} = \max_{i=1..N} {h_\theta([p_i, f_i^{(l-1)}])}$$
VoxelNet
优势：通过体素化实现并行计算（适合稠密点云）
劣势：量化过程会损失细微几何特征

使用 Open3D 实现标准化预处理：

import open3d as o3d

def preprocess(pcd_path):
    # 降采样（使用体素网格滤波）pcd = o3d.io.read_point_cloud(pcd_path)
    down_pcd = pcd.voxel_down_sample(voxel_size=0.05)  # 5cm 体素尺寸

    # 地面分割（RANSAC 平面检测）plane_model, inliers = down_pcd.segment_plane(
        distance_threshold=0.2,
        ransac_n=3,
        num_iterations=1000)
    non_ground = down_pcd.select_by_index(inliers, invert=True)
    return non_ground

使用 PyQt5 扩展标注功能：

from PyQt5.QtWidgets import QVBoxLayout, QPushButton

class AnnotationTool(QMainWindow):
    def __init__(self):
        super().__init__()
        self.init_ui()

    def init_ui(self):
        # 添加自动标注按钮
        auto_btn = QPushButton('Auto Annotation', self)
        auto_btn.clicked.connect(self.run_semi_auto)

    def run_semi_auto(self):
        # 调用预训练的 PointNet++ 模型
        clusters = pointnet2_predict(self.pcd)
        for cluster in clusters:
            self.draw_bbox(cluster)

八叉树空间索引 ：将点云数据划分为 8 个子空间

octree = o3d.geometry.Octree(max_depth=4)
octree.convert_from_point_cloud(pcd, size_expand=0.01)

多线程调度 ：

from concurrent.futures import ThreadPoolExecutor

with ThreadPoolExecutor(max_workers=4) as executor:
  executor.submit(process_frame, frame1)
  executor.submit(process_frame, frame2)

动态调整聚类参数：

def adaptive_clustering(points):
    density = len(points) / bbox_volume
    eps = 0.1 if density > 100 else 0.3  # 动态调整 DBSCAN 的 eps 参数
    return DBSCAN(eps=eps).fit(points)

KITTI 转 COCO 时特别注意：
1. 坐标系转换（KITTI 使用相机坐标系，COCO 使用图像坐标系）
2. 3D BBox 到 2D BBox 的投影需要检查遮挡关系