PointCloudMaster

这是一个室外点云可视化的代码框架，通过编写自己的"过滤函数"实现对点云的处理，并能方便地对处理后的数据进行可视化

目录结构说明

本项目文件目录如下

PointCloudMaster
├─demo
│  ├─demo0_visualize.py
│  ├─demo1_filter1.py
│  ├─demo2_filter2.py
│  ├─demo3_Filters_and_Tools.py
│  ├─demo4_draw_global_map.py
│  ├─demo5_compare.py
│  ├─demo6_voxel_and_octree.py
│  └─demo7_kitti_tracking.py
├─utils
│  ├─__init__.py
│  ├─filters.py
│  ├─tools.py
│  └─visualizer.py
├─sceneloader
│  ├─__init__.py
│  ├─datasets.json
│  ├─hosts.json
│  ├─scene_loader.py
│  └─数据集.py
├─options.py
├─requirements.txt
└─README.md

• demo：帮助你快速上手的演示示例
• utils：包含可视化工具以及其他工具函数
• sceneloader：数据加载相关文件
• options.py：默认运行参数
• requirements.txt：项目依赖包列表
• README.md：就是你现在在看的这个文档

快速上手

安装：

1. 作者的python版本为3.8.18, 请确保你使用的环境中python版本为3.8

2. 运行pip install -r requirements.txt 指令安装依赖

3. 请阅读并运行demo文件夹下的演示代码

Tools类

其中包含许多工具函数

函数	作用
get_bbox_from_points	从点云中获取包围盒
get_bbox_by_corners	根据八个角点获取包围盒
get_arrow	获取箭头
euler2mat	欧拉角转旋转矩阵
get_id_times	获取每个id的出现次数
get_sphere	获取球体
dbscan	使用sklearn的dbscan进行聚类
dbscan2	使用open3d的dbscan进行聚类
mean_shift	使用sklearn的mean_shift进行聚类
kmeans	使用sklearn的kmeans进行聚类
xyz2abrho	将三维空间点云转换为极坐标空间点云
inverse_rigid_trans	对刚体变换矩阵求逆

Filters类

其中包含很多常用的过滤函数

函数	作用
xyz2v	将三维空间点云转换为速度空间点云
add_noise_v	为速度添加高斯噪声
add_noise_xyz	在3d点云射线长度上添加高斯噪声
remove_points_by_mask	去除mask所对应的点
remain_points_by_mask	保留mask所对应的点
remove_points_by_id	通过id去除点
remain_points_by_id	通过id保留点
remain_points_by_z_axis	保留z轴在一定范围之间的点
remain_points_by_range	保留范围内的点

如何添加自定义数据集

1. 在sceneloader/datasets.json中按照格式添加数据集每个场景的点云存放目录以及位姿文件位置

{
  "datasets": 
  [
    ...其他数据集

    {
      "name": "这里填写数据集的名字，不要与其他数据集相同", 
      "hostname": "服务器名字，如果是本地数据集则不需要此字段，或者填写localhost",
      "root_path": "数据集根目录位置",
      "scenes": [
        {
          "scene_id": 0,
          "pcd_path": "0号场景点云存放目录，确保该目录下只有点云文件，路径相对于数据集根目录",
           后面可以根据数据集继续添加数据集特有的数据路径，如图片路径，标签路径，车辆状态路径等等
        },
        {
          "scene_id": 1,
          "pcd_path": "1号场景点云存放目录，确保该目录下只有点云文件，路径相对于数据集根目录",
           后面可以根据数据集继续添加数据集特有的数据路径，如图片路径，标签路径，车辆状态路径等等
        },
        ...
      ]
    }

  ]
}

• 如果数据集存放在服务器上，则需要填写hostname字段，否则不需要或者填写localhost。hostname字段与sceneloader/hosts.json中的服务器名字对应
• sceneloader/hosts.json中填写服务器的信息，格式如下

{
  "hosts":[
    {
      "hostname": "服务器名字",
      "ip": "服务器ip",
      "username": "服务器用户名",
      "private_key": "本机存放ssh私钥的位置，如C:/Users/Admin/.ssh/id_rsa"
    },
    ... 其他服务器信息
  ]
}

2. 在sceneloader目录下添加python文件，文件命名为：数据集名字.py
   1. 文件中按照以下模板进行实现，注意：类的命名要为数据集名字
   2. load_frame(self, frame_id)：加载某一帧的数据。返回一个大小为 N*3 的 numpy 点云数据pcd_xyz，和一个字典other_data，该字典的key为字符串，值为对应数据。每个数据集包含的数据都有区别，这些数据都被存放在other_data中

from sceneloader import DatasetLoader_Base
import os

class name(DatasetLoader_Base):
    def __init__(self, scene_id, json_data):
        super(DatasetLoader_Name, self).__init__(scene_id, json_data)
        # 在此可以添加数据集特有的初始化操作

    def load_frame(self, frame_id):
        pcd_path = os.path.join(self.pcd_data_path, self.filenames[frame_id])
        # 在此实现方法以读取点云等数据
        # 除了点云数据外，还可以读取其他数据，如图片，标注，这些数据都应该存放在other_data中
        ...
        return pcd_xyz, other_data

• 注意，如果数据集存放在服务器上，则需要使用以下方法来获取数据（本地数据这么写也不会有影响）。其本质是将数据从服务器上下载到本地，然后再读取。当with语句结束时，会自动删除本地数据

with self.remote.get(远程数据路径) as 本地数据路径:
    load(本地数据路径)

• 注意，如果数据集存放在服务器上，需要获取某个目录下的所有文件名，可以使用以下方法（本地数据这么写也不会有影响）

file_list = self.remote.listdir(远程目录路径)

other_data说明

other_data是点云数据中除了x,y,z以外的所有数据。由于不同数据集的点云字段各不相同，因此设计了该数据结构

other_data是一个字典，键为字符串，值为任意其他数据。注意，字符串的命名根据其作用是具有一定的要求的：

• 以pointinfo-开头的数据表示点云中每个点的属性值，比如颜色pointinfo-color，标签pointinfo-label等。这些数据的长度要与点云数量对应。其中pointinfo-color较为特殊，若有，则会在可视化中绘制出来
• 以geometry-开头的数据表示几何元素，若有，则会在可视化中绘制出来。目前支持的有geometry-bboxes, geometry-arrows, geometry-spheres。这些数据为列表类型，列表中为单个的几何元素
• 以pose-开头的数据表示位姿信息，pose-R表示旋转矩阵，pose-T表示平移向量