点云语义标注工具PointLabeler使用

Vonct

已于 2024-04-08 11:19:50 修改

阅读量1.1k

点赞数 15

文章标签：深度学习汽车自动驾驶

于 2024-04-02 16:33:18 首次发布

本文链接：https://blog.csdn.net/vonct/article/details/137272022

版权

工具地址：

https://github.com/jbehley/point_labelerhttps://github.com/jbehley/point_labeler

目前开源的点云语义标注工具并不多，这一款算是比较好用且不太会遇到编译问题的。

还有一款是semantic-segmentation-editor

简介

它最大的优点就是：可以同时标注在一定区块内的所有点云。也是SemantiKITT所用的标注工具。

需要提供

点云原始文件（.bin格式，放在velodyne文件夹）[必需]
每个点的位姿信息（poses.txt）[必需]
标定文件 (calib.txt) [必需]
标签文件（.label格式，标签的解析方法参考semantickitti，或者看下面的代码，放在labels文件夹）[可选]
图像文件（放在image_2文件夹）[可选]

因此文件组织形式如下：

这里需要标定文件主要是因为这个工具还能在标定时，查看对应的图像。不过没有图像数据时，只需要向calib.txt填入：

P0: 1 0 0 0 0 1 0 0 0 0 1 0
P1: 1 0 0 0 0 1 0 0 0 0 1 0
P2: 1 0 0 0 0 1 0 0 0 0 1 0
P3: 1 0 0 0 0 1 0 0 0 0 1 0
Tr: 1 0 0 0 0 1 0 0 0 0 1 0

label文件的读取如下:

            label = np.fromfile(filename,dtype=np.uint32)
            label = label.reshape((-1))
            sem_label = label & 0xFFFF  # semantic label in lower half
            pred_label = label - 1
            inst_label = label >> 16  # instance id in upper half

使用

软件操作

这部分直接看github上的wiki

也可以搜其他博客，基本上都是对改文档的机翻。

位姿问题

这部分主要是针对没有位姿的情况。

这时候有两种方法。

1. 计算位姿

如果真的想同时标注多张点云（这也是官方推荐的），而手里的数据集又没有pose，这里推荐一个slam库-kiss-icp（也是官方推荐的）。安装很方便，跟着库里的教程就可以很容易的得到位姿信息，你只需要提供点云数据。

2. 单张标注

在笔者实际使用时，发现方法1标注起来有点困难，点云太过于密集了，还有一些“重叠”，总之暂时选择了单张标注，也有可能是生成的位姿不够准确

注意：在选择这种方法时，勾选选项卡左侧的 `show single scan` ，反之则不要。

这时候只需要往poses.txt中填入

1 0 0 0 0 1 0 0 0 0 1 0
1 0 0 0 0 1 0 0 0 0 1 0
...
1 0 0 0 0 1 0 0 0 0 1 0
1 0 0 0 0 1 0 0 0 0 1 0

行数需要和点云文件数完全相等，否则会报错。

软件参数讲解

主要就是在bin/settings.cfg中的:

tile size: 150.0
max scans: 300
min range: 0.75
max range: 100

在讲解前需要先了解下该工具的运行逻辑。代码首先会读取位姿，根据tile_size将整一个数据集分为若干段（下图左上角缩略图）：

通过点击缩略图的小方块（tile）就可以直接跳到对应tile所包含的点云，不过要先勾选 `follow pose` ，不然很有可能找不到点云在哪了。

有了上述知识，就比较好理解参数:

tile_size 每个tile的大小，越小分辨率越高。
max_scan 每个tile中加载的最大点云，注意，这里并不是指文件数，而是对应的点云数目。比如max_scan = 50，程序就为提前在GPU上分配 50 * 150k点云（即每帧默认代表15w点云内存）所需要的内存。在max_scan过小时，会提示你该tile下没有加载全部点云，这时候重新打开就好了