三维点云——数据标注

三维点云数据标注

应该有很多刚开始接触三维深度学习的同学,都被安排过标注数据的工作,找到合适的标注方式是一个很困难的事情,博主在找标注工具的时候,几乎尝试过目前所有的标注工具,例如目前比较热门的PCAT_Open_Source, Semantic-Segmentation-Editor,此类软件比较优秀但也有一些弊端,例如安装步骤复杂,使用方式模糊不清,对于刚入门的科研小白极不友好,Lidar360包含了丰富的点云数据处理工具集, 但是不能用于点云精确标注,还有一些其他不是很主流的标注工具,也几乎都处于安装后也不能用于标注的状态。经过对比,选择了CloudCompare作为最终的标注工具,安装方式简单,标注流程清晰,标注后的可视化效果直观。下面是博主写的一份标注教程,已经尽量把所有可能遇到的困难都提示到了,请注意细节, 并看完整份标注教程再进行标注,避免出现错误,科研是份细腻的工作,标注亦是!

一.标注工具

CloudCompare2.9.0

下载链接:
https://pan.baidu.com/s/1sjnu3pHXu-3vaRaK1LC8-g

使用教程:
https://blog.csdn.net/datase/article/details/79797795

二.标签

ObjectsLabel ID
其他 (e.g., 垃圾桶…)0
路面1
路面标志 (e.g., 斑马线,虚线,实线和箭头…)2
3
建筑物4
传输线(电线…)5
杆 (e.g., 交通灯和灯杆…)6
道路使用者 (e.g., 汽车和行人…)7
围栏8

三.标注步骤

3.1 导入数据

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.2 框选标注区域

勾选并点击数据(呈蓝色状),未点击会出现不能框选现象:
在这里插入图片描述
Edit->Segment选中要标注的局域(绿色框):

在这里插入图片描述
点击右上方的Segment in按钮得到标注区域:

在这里插入图片描述

点击Confirm Segmentation按钮保存:

在这里插入图片描述

目录会多一行数据,为刚才切割的部分:

在这里插入图片描述

取消原数据的勾选,单选切割部分的点云数据,界面会只显示切割部分:

在这里插入图片描述

3.3 对框选数据添加标签

工具栏操作:Edit -> Scalar fields ->Add constant SF 输入label:

在这里插入图片描述
建筑物的labelid为4,则填入4:

在这里插入图片描述
点击ok,观察到Scalar Fields下的Count值变为7(Count代表数据的标量数目,此份数据初始值为6,以下的举例都是以6作为基准,实际情况自行参考自己的数据集,每份数据的初始值不同。),标注的建筑物变为蓝色:

在这里插入图片描述
勾选全部数据,可观察到标记部分在全部数据中的显示效果:
在这里插入图片描述
至此一次标注结束。

3.4 合并标注数据

若要进行第二次标注,只需勾选未标注的数据,不勾选已经标注的数据,防止重复标注。可观察到已标注过的数据不显示。

在这里插入图片描述

未标注数据的Scalar Fields下的Count值一定是6(每份数据Count值不同,此处6作为一个初始Count的基准),若不是6,考虑是否在对已框选数据标注的过程,把未框选数据部分也勾选了,解决方案:选中未标注数据,Edit -> Scalar fields ->Delete,Scalar fields的Count会由7变为最初始的6。

在这里插入图片描述
重复3.2操作,框选路面,得到下图:

在这里插入图片描述
重复3.3操作,对路面进行标注,注意,只需勾选路面对应的数据并点击:

在这里插入图片描述
标注后观察到:
在这里插入图片描述
勾选全部数据,可发现不同标签的数据会显示不同颜色:
在这里插入图片描述
此处只做两个标签的数据合并展示,亦可多次进行3.2,3.3操作后再合并:
在这里插入图片描述
点击Merge Multiple clouds按钮合并:
在这里插入图片描述
得到一份数据:
在这里插入图片描述
此处可发现建筑物部分标注有误差,解决方案参考第五部分。建议确保每一类别数据标注准确后再合并不同类别数据,避免增加多余工作量。

3.5 数据保存与重新打开

软件可能会突然崩溃,所以标注一段时间后,注意保存,Ctrl键全部选中,点击保存按钮。
在这里插入图片描述
保存类型ASCII:
在这里插入图片描述
得到上面的两份数据:

在这里插入图片描述
记事本最后一列为标签:
在这里插入图片描述
重新导入这两份数据:
在这里插入图片描述
选中已经被标注的数据,将Colors设置为Scalar field,并将Active设为#7,可观察到不同标签的数据显示结果。

在这里插入图片描述
重复以上步骤,直到全部数据标注完成,合并为一份数据。

数据可能会如上图显示,将Colors设置为Scalar field,并将Active设为#7。

四.标注视频

链接:https://pan.baidu.com/s/1qs9UPtXP0r7E6Z9m2F9A7g
提取码:vygu

五.错误解决

标注一棵树,但是树底部草坪部分也被选中:

在这里插入图片描述
遵循步骤3.2,把树底部草坪部分切割出来,得到:
在这里插入图片描述

删除草坪部分错误的标签信息 Edit -> Scalar fields ->Delete,Scalar fields的Count由7变为最初始的6:

在这里插入图片描述
对草坪部分重新标注,重复标注步骤3.3:
在这里插入图片描述
草坪属于是others,输入0:
在这里插入图片描述
观察到,标签已经区分出来:

在这里插入图片描述

六.注意事项

  1. 标注过程中不断旋转数据集方向,保证每个点精确定位到每个类别。
  2. 滑动鼠标滑轮可放大缩小数据显示界面,点击界面按住鼠标左键拖动鼠标可旋转方向。
  3. 数据集周围分辨不清类别的点为噪声点,可忽略。
  4. 将Colors设置为RGB,数据集可恢复原始颜色。
  5. 关闭CloudCompare后所有标注都会消失,所以标注完成后的数据需保存到本地。
  6. 对于数据保存后重新打开,继续标注时,两个count值为7的数据合并后变成了一整个count值为8的数据,解决方案,标注时在SF name中输入Scalar field #7而不是label 。

七.可视化效果

在这里插入图片描述

  • 78
    点赞
  • 460
    收藏
    觉得还不错? 一键收藏
  • 152
    评论
以下是关于三维点云数据的文献综述: 1. 《三维点云数据处理技术研究综述》(李玉红,张志峰,李乃伟,郭永强,中国矿业大学学报,2018) 该文综述了三维点云数据的采集、处理、分析和应用等方面的技术,并对不同领域的应用进行了分析和总结,包括建筑、文物保护、交通规划等。 2. 《三维点云数据的自动分割和识别技术研究》(李威华,李维,王纪军,计算机科学,2019) 该文重点介绍了三维点云数据的自动分割和识别技术的研究现状,并对不同方法的优缺点进行了对比分析,包括基于深度学习的方法和传统的基于特征提取的方法。 3. 《三维点云数据在城市规划中的应用研究》(张琦,赵志方,林大柱,城市规划学刊,2017) 该文介绍了三维点云数据在城市规划中的应用,包括建筑物识别、道路提取、地形分析等方面,并对不同方法的优缺点进行了探讨。 4. 《三维点云数据在文物保护中的应用研究》(张晓娜,宋大成,刘有志,陶峰,文物保护与考古科学,2019) 该文介绍了三维点云数据在文物保护中的应用,包括文物的数字化、三维重建和保护等方面,并对不同方法的优缺点进行了分析和总结。 5. 《三维点云数据在智能交通中的应用研究》(王琳,吴昊,高延峰,交通运输工程学报,2018) 该文介绍了三维点云数据在智能交通中的应用,包括道路状况检测、交通流量监测、车辆识别等方面,并对不同方法的优缺点进行了对比分析。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 152
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值