AutoCV第八课:3D基础

这篇具有很好参考价值的文章主要介绍了AutoCV第八课:3D基础。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

3D基础

注意事项

一、2023/5/11更新

新增工具可视化点云,即第 4 节内容

二、2023/5/15更新

经杜老师指正,之前实现的 3D 可视化的效果并不是不好,而是输入数据存在问题!!!这边看了下,利用 mayavi.malb 库重新来可视化点云数据,新增第 5 小节内容

前言

手写 AI 推出的全新保姆级从零手写自动驾驶 CV 课程,链接。记录下个人学习笔记,仅供自己参考。

本次课程主要学习点云数据的可视化。

课程大纲可看下面的思维导图。

AutoCV第八课:3D基础

1. nuScenes数据集

nuScenes 数据集是一种用于自动驾驶研究的大规模开放式数据集,其中包含了从多个传感器收集的高清三维激光雷达数据、高清摄像头数据、GPS 和 IMU 数据以及其它传感器等多种数据类型,总数据量达到了超过 1000 小时的行驶数据。各个传感器在车辆的具体位置可参考 图1-1(from chatGPT)

nuScenes 数据集由 nuTonomy 公司于 2019 年发布,后被 Aptiv 收购并维护。数据集中包含了超过 1000 个行驶场景,每个场景长度约为 20 秒,包括了各种驾驶情况,如城市、高速公路和居住区等场景

nuScenes 数据集中的传感器数据可以用于多种自动驾驶研究任务,如目标检测、语义分割、行为预测等。

关于 nuScenes 数据集更多的描述可见官网

nuScenes 官网:https://www.nuscenes.org/nuscenes?sceneId=scene-0100&frame=0&view=lidar

nuScenes 教程:https://www.nuscenes.org/nuimages#tutorial

nuScenes mini 数据集下载网盘链接:https://pan.baidu.com/s/1BNuDTDCN37rkWRYBdF8C7Q?pwd=yolo

AutoCV第八课:3D基础

图1-1 车辆传感器位置

2. nuScenes数据格式

本次我们使用 v1.0-mini 数据集来进行后续的学习工作,它是 nuScenes 数据集的一个子集,解压后包含以下五个文件:

1.maps

  • 包含有关城市街道的地图数据,包括道路、车道、交叉口、建筑物和树木等信息

2.samples

  • 包含有关车辆传感器数据的信息,如激光雷达、相机和毫米波雷达等一些样本数据
  • 相机数据是以图片的格式存储的,LiDAR 数据是以二进制的格式存储的,Radar 数据则是以 PCD 的格式进行存储的
  • PCD 全称 Point Cloud Data,是一种用于存储三维点云数据的文件格式。每个 .pcd 文件包含了 x、y、z 的三维坐标以及反射强度等信息
  • 后续点云数据的可视化是读取的 LiDAR_TOP 中的某一个二进制文件

3.sweeps

  • 包含了一系列车辆传感器数据的信息

4.v1.0-mini

  • 包含有关数据集中每个样本的元数据信息,如时间戳、旋转矩阵等。元数据以 JSON 格式存储

5.v1.0-mini.txt

  • 说明文档

3. 点云可视化

我们来对 LiDAR 的点云数据来进行可视化,其点云数据格式是一个二进制文件,其 shape 为 [n,5]

  • n 代表点云的数量
  • 5 分别代表 x、y、z、intensity、ring index
  • x、y、z 代表基于激光雷达的 3D 坐标
  • intensity 是反射强度,指的是激光接收器接受的反射次数,通常用于区分物体或地面
  • ring index:点所在激光雷达扫描线的编号,比如 32 线激光雷达,其值就为 1-32

示例代码如下:

import numpy as np
import cv2

file = "./data/n015-2018-11-21-19-38-26+0800__LIDAR_TOP__1542800855949460.pcd.bin"

# [x, y, z, intensity, ring index]
pc = np.frombuffer(open(file, "rb").read(), dtype=np.float32)
pc = pc.reshape(-1, 5)[:, :4]

x, y, z, intensity = pc.T

# 设置图像的尺寸1024x1024
image_size = 1024

# 数据归一化
# 点的坐标范围大概是100
pc_range = 100
x = x / pc_range    # [-1,1]
y = y / pc_range

# 缩放到图像大小,并平移到图像中心
half_image_size = image_size / 2
x = x * half_image_size + half_image_size
y = y * half_image_size + half_image_size

# opencv的图像,可以用numpy进行创建
image = np.zeros((image_size, image_size, 3), np.uint8)

for ix, iy, iz in zip(x, y, z):
    ix = int(ix)
    iy = int(iy)
    
    # 判断是否在图像范围内
    if ix >= 0 and ix < image_size and iy >= 0 and iy < image_size:
        
        image[iy, ix] = 255, 255, 255

cv2.imwrite("pointcloud.jpg", image)
cv2.imshow("image", image)
cv2.waitKey(0)

该示例代码主要是对 nuScenes 数据集中的激光雷达点云数据进行了可视化,具体流程如下:

  • 读取 nuScenes 数据集中的一个 .pcd.bin 文件,该文件中存储了激光雷达采集的点云数据。
  • 读取文件中的点云数据,并将其转换为 numpy 数组。
  • 解析 numpy 数组,得到点云数据中的 x, y, z, intensity 四个维度。
  • 由于点云数据的坐标值范围比较大,需要进行归一化操作。本代码采用将点云数据的范围缩放到 [-1, 1] 的方法进行归一化。
  • 缩放点云数据,并将其平移至图像中心。
  • 创建一个黑色的 1024x1024 的图像,并遍历所有点云数据中的点,将其所在位置的像素点设为白色。
  • 将生成的图像保存并显示

可视化图如下:

AutoCV第八课:3D基础

图3-1 激光雷达数据的二维可视化

我们可以考虑高度信息,绘制一张 3D 的点云图

  • 参考自:https://blog.csdn.net/Fzc_Ztt/article/details/116668330

示例代码如下:

import numpy as np
import mayavi.mlab

# pip install mayavi
# pip install pyqt5

# lidar_path换成自己的.bin文件路径
pointcloud2 = np.fromfile("./data/n015-2018-11-21-19-38-26+0800__LIDAR_TOP__1542800855949460.pcd.bin", dtype=np.float32, count=-1).reshape([-1, 4])
 
# 提取点云坐标和反射强度
x = pointcloud2[:, 0]  # x position of point
y = pointcloud2[:, 1]  # y position of point
z = pointcloud2[:, 2]  # z position of point
r = pointcloud2[:, 3]  # reflectance value of point

# 计算点云距离和高度角
d = np.sqrt(x ** 2 + y ** 2)  # Map Distance from sensor 
degr = np.degrees(np.arctan(z / d))

# 设置颜色
vals = 'height'
if vals == "height":
    col = z
else:
    col = d

# 可视化点云数据
fig = mayavi.mlab.figure(bgcolor=(0,0,0),size=(640, 500))
mayavi.mlab.points3d(x, y, z,
                     col,  # Values used for Color
                     mode="point",
                     colormap='spectral',  # 'bone', 'copper', 'gnuplot'
                     # color=(0, 1, 0),   # Used a fixed (r,g,b) instead
                     figure=fig,
                     )
 
mayavi.mlab.show()

上述示例代码使用了 numpy 和 mayavi 库,用于读取并解析激光雷达二进制数据,然后将点云数据可视化为 3D 效果图。首先从二进制数据中提取点的 x、y、z 坐标和反射强度,然后计算出每个点到传感器的距离,最后根据距离或高度值对点进行着色,并使用 mayavi 的 point3d() 函数将点云可视化出来。通过设置不同的参数,可以调整点云的颜色、大小和透明度等属性。最后使用 mayavi 的 show() 函数显示 3D 效果图

可视化图如下:

AutoCV第八课:3D基础

图3-2 激光雷达数据的三维可视化

我们还可以将不同视角的图片进行保存,然后利用 imageio 模块绘制动态图

示例代码如下:(from chatGPT)

import numpy as np
import mayavi.mlab as mlab
import os
import imageio


# 读取点云数据
pointcloud = np.fromfile('./data/n015-2018-11-21-19-38-26+0800__LIDAR_TOP__1542800855949460.pcd.bin', dtype=np.float32, count=-1).reshape([-1, 4])

# 提取点云坐标和反射强度
x = pointcloud[:, 0]
y = pointcloud[:, 1]
z = pointcloud[:, 2]
r = pointcloud[:, 3]

# 创建 mayavi 场景
fig = mlab.figure(bgcolor=(0,0,0), size=(800, 600))

# 绘制点云
points = mlab.points3d(x, y, z, r, mode='point', colormap='spectral')

# 设置相机位置和视角
mlab.view(azimuth=0, elevation=90, distance=500, focalpoint=[0,0,0])
mlab.move(forward=-100)

# 创建保存点云数据的文件夹
if not os.path.exists('./lidar_images'):
    os.makedirs('./lidar_images')

# 保存不同视角的点云数据到文件夹
for i in range(36):
    mlab.view(azimuth=i*10, focalpoint=[0,0,0])
    mlab.move(forward=-20)
    mlab.savefig('./lidar_images/lidar_view_{}.png'.format(i))

# # 文件夹路径
folder_path = './lidar_images/'

# 获取文件夹下的所有图片路径
image_paths = sorted([os.path.join(folder_path, f) for f in os.listdir(folder_path) if f.endswith('.png')])

# 读取所有图片并保存到列表中
images = []
for image_path in image_paths:
    images.append(imageio.imread(image_path))

# 将所有图片合成为一张动态图
imageio.mimsave('./lidar.gif', images, fps=9)

可视化图如下所示,效果并不是很好,凑合看吧😂

AutoCV第八课:3D基础

图3-3 激光雷达数据的不同视角图

顺便想看看毫米波雷达的点云数据,但是其数据格式不是很清楚,就没去折腾解析工作了,主要是通过工具 pcl-tools 来查看的

首先安装 pcl-tools 库

sudo apt-get install pcl-tools

然后运行对应的毫米波雷达的 pcd 数据就行

pcl_viewer xxx.pcd

可视化效果如下:

AutoCV第八课:3D基础

图3-4 毫米波雷达数据的可视化

好像没啥好看的,就一堆点,而且相比于激光雷达来说点云非常稀疏

毫米波雷达是通过发送一束毫米波,利用物体对毫米波的反射来确定物体的位置。它可以探测物体的反射并测量反射的时间和强度,从而确定物体的距离、角度和速度等信息。毫米波雷达的点云密度相对较低,需要更多的数据处理和算法优化来进行点云重建和应用。

4. 点云可视化工具

我们在 vscode 中利用插件 vscode-pc-viewer 可以将点云数据进行可视化

启动 vscode 按照以下操作

  • 点击扩展商店
  • 输入插件名称 vscode-pc-viewer
  • 选择插件
  • 点击安装

流程如下图所示:

AutoCV第八课:3D基础

图4-1 点云可视化工具安装流程

安装完成之后,可以任意点击一个激光雷达的 .pcd.bin 文件查看点云可视化结果如下图所示:

AutoCV第八课:3D基础

图4-2 vscode-pc-viewer直接可视化点云数据

似乎和我之前 3D 可视化的结果差不多呀,不过看不出啥玩意,格式存在问题,我们来看看关于 vscode-pc-viewer 插件的相关描述

AutoCV第八课:3D基础

图4-3 vscode-pc-viewer插件描述

可以看到它支持 ply、pcd、xyz、obj、bin 等格式,但是二进制文件只支持 KITTI 数据集,那么需要将 nuScenes 数据集中激光雷达的二进制点云数据转换为 KITTI 数据集格式。

转换示例代码如下:

import numpy as np

file = "./data/n015-2018-11-21-19-38-26+0800__LIDAR_TOP__1542800855949460.pcd.bin"

pc = np.frombuffer(open(file, "rb").read(), dtype=np.float32)
pc = pc.reshape(-1, 5)[:, :4]

x, y, z, intensity = pc.T

arr = np.zeros(x.shape[0] + y.shape[0] + z.shape[0] + intensity.shape[0], dtype=np.float32)
arr[::4] = x
arr[1::4] = y
arr[2::4] = z
arr[3::4] = intensity
arr.astype('float32').tofile('kitti.bin')

参考自:https://github.com/PRBonn/lidar-bonnetal/issues/78

转换完成后在当前文件夹下会生成对应的 kitti.bin 文件,再次通过 vscode-pc-viewer 插件打开,就是我们想看到的样子了,如下图所示:

AutoCV第八课:3D基础

图4-4 vscode-pc-viewer可视化KiTTI格式

当然你也可以查看 .pcd 格式结尾的毫米波雷达数据,如下图所示:

AutoCV第八课:3D基础

图4-5 vscode-pc-viewer可视化Radar数据

5. 点云可视化(补充)

利用 mayavi.mlab 实现点云数据的 3D 可视化

参考:读取.bin激光雷达文件格式并可视化的三种方法

示例代码如下:

import numpy as np
import mayavi.mlab

file = "./data/n015-2018-11-21-19-38-26+0800__LIDAR_TOP__1542800855949460.pcd.bin"

pc = np.frombuffer(open(file, "rb").read(), dtype=np.float32)
pc = pc.reshape(-1, 5)[:, :4]

x, y, z, intensity = pc.T

d = np.sqrt(x**2 + y**2)    # Map Distance from sensor

degr = np.degrees(np.arctan(z / d))

fig = mayavi.mlab.figure(bgcolor=(0, 0, 0), size=(1280, 1280))
mayavi.mlab.points3d(x, y, z,
                     z, # Values used for Color
                     mode="point",
                     colormap='spectral',
                     figure=fig)

mayavi.mlab.savefig("pointcloud.png", figure=fig)
mayavi.mlab.show()

可视化后的结果如下:

AutoCV第八课:3D基础

图5-1 激光雷达数据的三维可视化

总结

本次课程为 3D 基础,主要了解了 nuScenes 数据集,并了解了其中的激光雷达传感器采集到的数据格式,其 shape 为 [n,5],其中 n 为采集到的点云数量,5 个维度分别代表 x、y、z、intensity、ring index,利用 numpy 数据库对激光雷达的数据进行了解析,并利用 opencv、mayavi、imageio 等库对点云进行了可视化,整体效果还是比较 OK 的。
之后利用工具 vscode-pc-viewer 对激光雷达点云进行了相关可视化文章来源地址https://www.toymoban.com/news/detail-451336.html

到了这里,关于AutoCV第八课:3D基础的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 网络安全进阶学习第八课——信息收集

    信息收集(Information Gathering)信息收集是指通过各种方式获取所需要的信息。渗透的本质是信息搜集,而信息搜集整理为后续的情报跟进提供了强大的保证。 目标资产信息搜集的程度,决定渗透过程的复杂程度。 目标主机信息搜集的深度,决定后渗透权限持续把控。 收集信

    2024年02月13日
    浏览(46)
  • STM32第八课:PWM控制直流电机

            TB6612FNG是一款新型驱动器件,能独立双向控制2个直流电机,它具有很高的集成度,同时能提供足够的输出能力,运行性能和能耗方面也具有优势因此在集成化、小型化的电机控制系统中,它可以作为理想的电机驱动器件。                           

    2024年03月24日
    浏览(51)
  • 【SQL 必知必会】- 第八课 使用函数处理数据

    目录 函数         函数带来的问题         可移植(portable)         是否应该使用函数? 使用函数         文本处理函数         SOUNDEX 支持         日期和时间处理函数         数值处理函数         函数带来的问题         与几乎所有

    2023年04月10日
    浏览(51)
  • 孩子都能学会的FPGA:第八课——状态机

    (原创声明:该文是 作者的原创 ,面向对象是 FPGA入门者 ,后续会有进阶的高级教程。宗旨是 让每个想做FPGA的人轻松入门 , 作者不光让大家知其然,还要让大家知其所以然 !每个工程作者都搭建了全自动化的仿真环境,只需要双击 top_tb.bat 文件就可以完成整个的仿真(前

    2024年01月21日
    浏览(50)
  • C语言第八课-----函数定义和使用的延续

    作者前言                                                   个人主页::小小页面                  gitee页面:秦大大                 一个爱分享的小博主 欢迎小可爱们前来借鉴 __________________________________________________________          1.复习                 库函

    2024年02月15日
    浏览(49)
  • 【代码随想录python笔记整理】第八课 · 奇怪的信

    前言: 本笔记仅仅只是对内容的整理和自行消化,并不是完整内容,如有侵权,联系立删。        在之前的算术运算中,我们遇到了一种曾经不常见的运算——取模。接下来,我们就通过这道题目来理解一下取模的作用。        对于这道题目我们其实有两种角度。第一种

    2024年02月22日
    浏览(56)
  • MySQl数据库第八课-------SQL命令查询-------主要命脉

     欢迎小可爱们前来借鉴我的gtiee秦老大大 (qin-laoda) - Gitee.com —————————————————————————————— 查询数据         条件         逻辑运算符         模糊查询         范围查询 in         判断空 UNION  排序 聚合 分组:gro

    2024年02月16日
    浏览(53)
  • 从零实战SLAM-第八课(非特征点的视觉里程计)

     在七月算法报的班,老师讲的蛮好。好记性不如烂笔头,关键内容还是记录一下吧,课程入口,感兴趣的同学可以学习一下。 ------------------------------------------------------------------------------------------------------------------------------- 特征点法流程: 1.在图像中提取特征点并计算特征

    2024年02月12日
    浏览(34)
  • 【小黑嵌入式系统第八课】初识PSoC Creator™开发——关于PSoC Creator&下载、创建项目、单片机中的hello world(点亮一个led)

    上一课: 【小黑嵌入式系统第七课】PSoC® 5LP 开发套件(CY8CKIT-050B )——PSoC® 5LP主芯片、I/O系统、GPIO控制LED流水灯的实现 下一课: 【小黑嵌入式系统第九课】PSoC 5LP第一个实验——LED、字符型LCD显示实验 本课程主要介绍了 PSoC® 5LP, 一个基于 ARM® Cortex®-M3 的可编程片上系

    2024年02月03日
    浏览(59)
  • 第八十六天学习记录:Linux基础:基础指令Ⅰ

    Linux的目录结构是一个树型结构 Linux没有盘符的概念,只有一个根目录/,所有文件都在根目录下面 在Linux系统中,路径之间的层级关系使用:/来表示。(windows系统中用) 例如: /test/hello.txt /Chung.txt /Chung/test/hello.txt 无论是什么命令,用于什么用途,在Linux中,命令有其通用

    2024年02月11日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包