CloudCompare标注KITTI点云数据：分开导出与合并导出的技术选型与实战

1次阅读

没有评论

共计 1664 个字符，预计需要花费 5 分钟才能阅读完成。

KITTI 数据集作为自动驾驶领域的经典基准数据集，其点云数据通常由 Velodyne 激光雷达采集，包含复杂的道路场景信息。在标注过程中，开发者常面临以下问题：

数据量大：单帧点云可能包含数十万个点，处理效率成为瓶颈
标注复杂度高：需要区分车辆、行人、障碍物等多种类别
后续处理需求多样：不同算法对数据组织形式要求各异

分开导出（按类别或对象导出）与合并导出（统一导出）各有优劣，选择不当可能导致：

数据一致性难以保证
重复处理降低效率
存储空间浪费

选择性处理：可针对特定类别进行后续算法开发
内存友好：避免同时加载全部数据
并行化潜力：不同类别可分发不同计算节点

数据完整性：保持原始空间关系
处理简便：单文件操作更易管理
格式统一：减少兼容性问题

维度	分开导出	合并导出
标注效率	中	高
存储空间	较高	较低
算法适配性	灵活	统一
可视化便利性	较好	一般

加载.bin 文件：通过 File > Open 选择 KITTI 点云文件
创建标签层：使用 Tools > Segmentation > Label 工具
框选标注：配合 SHIFT+ 鼠标拖动 进行区域选择

按对象分组：右键选择Create new group，将同类对象归组
按类别分组：通过不同颜色区分（Properties > Color）

# 合并导出示例（ASCII 格式）File > Save
勾选：- Save clouds
- Save meshes
- Save coordinate shifts
格式选择：ASCII Cloud（.asc）# 分开导出示例（PLY 格式）右键目标分组 > Save
取消勾选：Global shift
格式选择：PLY（.ply）

import numpy as np
from pathlib import Path

# 合并多个导出文件
def merge_pointclouds(input_dir, output_file):
    points = []
    for ply_file in Path(input_dir).glob('*.ply'):
        data = np.loadtxt(ply_file, skiprows=13)  # 跳过 PLY 头
        points.append(data[:, :3])  # 取 XYZ 坐标

    merged = np.vstack(points)
    np.savetxt(output_file, merged, fmt='%.6f')

# 格式转换（PLY->KITTI .bin）def ply_to_bin(ply_path, bin_path):
    with open(ply_path, 'rb') as f:
        data = np.fromfile(f, dtype=np.float32)
    data.astype(np.float32).tofile(bin_path)