基于目標(biāo)跟蹤算法的點云標(biāo)注軟件設(shè)計獲獎科研報告

基于目標(biāo)跟蹤算法的點云標(biāo)注軟件設(shè)計獲獎科研報告

摘

要：針對自動駕駛場景中的點云數(shù)據(jù)標(biāo)注問題，設(shè)計了一款基于目標(biāo)跟蹤算法的標(biāo)注軟件。該軟件除了很好的完成點云標(biāo)注功能，還實現(xiàn)了對相應(yīng)圖片的映射標(biāo)注，使用的目標(biāo)跟蹤算法極大的提高了標(biāo)注效率。本文主要從以上三個方面介紹軟件的設(shè)計思路，最后介紹軟件的標(biāo)注流程。

關(guān)鍵詞：點云標(biāo)注;目標(biāo)跟蹤;軟件設(shè)計

Abstract：Aimingattheproblemofpointclouddatalabelinginautonomousdrivingscenarios，alabelingsoftwarebasedontargettrackingalgorithmisdesigned.Inadditiontothegoodcompletionofthepointcloudannotationfunction，thesoftwarealsorealizesthemappingannotationofthecorrespondingpictures.Thetargettrackingalgorithmusedgreatlyimprovestheannotationefficiency.Thisarticlemainlyintroducesthesoftwaredesignideasfromtheabovethreeaspects，andfinallyintroducesthesoftwareannotationprocess.

Keywords：Pointcloudannotation;Targettrackingalgorithm;Softwaredesign

隨著深度學(xué)習(xí)在物體識別領(lǐng)域的快速發(fā)展，其在自動駕駛中發(fā)揮著越來越重要的作用。而在深度學(xué)習(xí)里，標(biāo)注的數(shù)據(jù)質(zhì)量影響著模型的訓(xùn)練效果。在自動駕駛領(lǐng)域中，對數(shù)據(jù)標(biāo)注有了更高的要求，希望同時可以標(biāo)注點云和圖像，同時擁有更高的標(biāo)注效率。

本文在點云庫的基礎(chǔ)上，引入了目標(biāo)跟蹤算法，以此來提高標(biāo)注效率，同時還添加了點云到圖像的映射功能，完成標(biāo)注點云的同時也完成了圖片的標(biāo)注。

1點云的標(biāo)注

點云中3維boundingbox的繪制采用了PCL庫中的方法實現(xiàn)，選定點云集合，利用沿坐標(biāo)軸包圍盒算法（AABB）計算邊界，按照邊界繪制框。由于點云密集分布這一特點，有可能會無差別的將一

些誤選的點云也包含在集合中，增加了需要修正的次數(shù)。加入自動修正機制，對手動選取的點云集合進行處理，去除雜點，提高標(biāo)注的準(zhǔn)確度。

修正功能的實現(xiàn)是使用柵格法[1]對選中的點云集合構(gòu)建俯視圖，即投影到平面的2D網(wǎng)格，網(wǎng)格的大小由點云的大小決定。建立網(wǎng)格之后，可以得到一些統(tǒng)計量。例如：網(wǎng)格中的點云個數(shù)、點云高度、點云序號等等，基于以上的統(tǒng)計量，尋找每個格子領(lǐng)域的連通區(qū)域，連通區(qū)域可以視為是物體，從而達(dá)到去除雜點的效果。

2點云標(biāo)注在圖像的映射

2.1映射關(guān)系

在裝配了一臺Velodyne激光雷達(dá)掃描儀和4臺相機的實驗車輛在采集原始數(shù)據(jù)的過程中[2]，主要存在三類坐標(biāo)系，分別是相機坐標(biāo)系、Velodyne坐標(biāo)系和以車輛中心為坐標(biāo)原點的笛卡爾坐標(biāo)系。點云坐標(biāo)到圖像坐標(biāo)需要一系列的轉(zhuǎn)換操作，例如3D點投影到經(jīng)過矯正的第i個相機圖像上點的表示為：

由上述式子可知，各坐標(biāo)間的轉(zhuǎn)換關(guān)系是線性的，這也就大大減少我們計算的工作量，遍歷所有的點，記錄下X、Y、Z方向的最大值和最小值，即為邊界范圍。對這六個邊界值進行映射，得到圖像的標(biāo)注邊框。

3目標(biāo)跟蹤算法

粒子濾波算法[3]廣泛應(yīng)用在目標(biāo)跟蹤中，主要分為四個階段。第一階段是提取跟蹤目標(biāo)特征，第二階段為搜索階段，第三階段為決策階段，第四為重采樣階段。粒子濾波的核心思想就是隨機采樣和重要性重采樣，在隨機撒粒子后，根據(jù)特征相似度計算每個粒子的重要性，然后在重要的地方多撒粒子，不重要的地方少撒粒子。如此的循環(huán)往復(fù)，即完成了目標(biāo)的動態(tài)追蹤。

傳統(tǒng)的粒子濾波算法是采用粒子隨機分布采樣，基于KLD采樣的自適應(yīng)濾波算法[4]可以根據(jù)場景調(diào)整粒子的數(shù)目，來降低算法的時間復(fù)雜度。KLD采樣的全稱是庫爾貝科-萊布勒距離Kullback-LerblerDistance，它是一種計算兩個概率分布之間差異的方法。KLD采樣背后的思想就是根據(jù)基于采樣近似質(zhì)量的統(tǒng)計界限來確定粒子數(shù)量。更特殊的是，在粒子濾波器的每次迭代的過程中，KLD采樣以概率1-來確定采樣數(shù)量，真實的后驗概率與基于采樣的近似分布之間的差異小于。以下是它的算法流程：

4標(biāo)注流程

如下圖是我們軟件的UI使用界面，主要的功能標(biāo)注點云文件，在有圖片文件的情況下也可以根據(jù)映射算法，同步標(biāo)注圖片文件，下面是主要的流程介紹：

結(jié)語

點云標(biāo)注在自動駕駛算法訓(xùn)練中占據(jù)這十分重要的部分，數(shù)據(jù)的質(zhì)量影響這模型的準(zhǔn)確度，一款適合模型需要的標(biāo)注工具顯得更為重要。這款工具主要標(biāo)注采集到的點云數(shù)據(jù)，同時也可以標(biāo)