静谧、淡雅

1 简介point_cloud_annotation_tool是一个开源的点云标注工具。linux版本地址：https://github.com/springzfx/point-cloud-annotation-toolpoint_cloud_annotation_tool是可在点云中标记3D框的工具。支持Kitti-bin格式的点云。注释格式与Applo 3D格式相同。工具界面如下图：该工具可在windows和linux平台下使用。标注对象的类型有dontCare，cyclist

上一篇文章实现【3D目标检测】激光雷达点云数据To二维图像：前视图。它依赖matplotlib来创建图像。下述方案：创建了一个纯粹的numpy解决方案，它应该使它更快，并且更有用，可以作为预处理步骤使用。代码如下：结果图如下：000020.png实景图如下：程序的输入为KITTI数据集的000020.bin文件运行结果如下：参考链接：http://ronny.rest/blog/post_2017_04_03_point_cloud_panorama/...

KITTI 数据集数据集下载：下载地址：http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d解压后为四部分内容：相机校准矩阵calib、RGB图像image_2（.png格式）、标签label_2、点云数据velodyne对应的testing和training数据。其中，training数据为7481张（图片和点云对应的场景）,testing数据（无label_2数据）。velodyne：velodyn

3D点云目标检测分类：1 Lidar only, point-based method：直接输入点云数据给网络，或者将点云数据pre-process，如将三维点云投射到多个二维平面形成图像。Complex-yolo首先将点云数据转换到2d-bev图，然后在bev图上进行检测。2 Lidar only, voxel-based method：三维点云切割成多个小块，这些小块就叫体素，后期可以使用3D卷积像图像一样进行操作。这种方法的计算量较大。3 Lidar + image，fusing method

1 000013.png如下图：2 代码：import numpy as npimport mayavi.mlabdef PointCloudDataVisualization(PointCloudData_path): pointcloud = np.fromfile(str(PointCloudData_path), dtype=np.float32, count=-1).reshape([-1, 4]) print(pointcloud) print(po...

Open3D是一个开源库，支持快速开发和处理3D数据。Open3D在c++和Python中公开了一组精心选择的数据结构和算法。后端是高度优化的，并且是为并行化而设置的。其核心特性：3D数据结构3D数据处理算法场景重建Surface alignment3D可视化基于物理的渲染（PBR）C++和python代码接口PCL和Open3D都是3D点云数据处理的开源库，尤其是C++库都很棒。对应的Python版本：python-pcl长时间不更新，维护少。Open3D由Intel.

1 安装pclpypip install pclpy -i https://pypi.tuna.tsinghua.edu.cn/simple注意：pclpy不支持python3.82 代码from pclpy import pclimport numpy as np# 读取点云points = np.fromfile("000013.bin", dtype="float32").reshape((-1, 4))# 载入到 pcd 中pcd = pcl.PointCloud.Poin

1 点云数据获取方式直接由Lidar激光扫描出点云数据。不同角度的2D图像组合成点云由深度图（Depth Map）生成点云，即将图像坐标+深度信息从图像坐标系转换为世界坐标系。2 点云数据特性无序性、稀疏性、信息有限（提供片面的几何信息）。3 点云数据点云数据应该表示为N行和至少3列的numpy数组。如下图：每一行对应于一个点，它在空间(x，y，z)中的位置使用至少3个值表示。激光雷达采集到的点云数据，表示为N*4的numpy数组。N为激光线束反射点个数，4代表着：（x,y,z,r

1 分析2 实景图KITTI数据集中的000020.png如下：3 完整代码4 结果图