DAIR-V2X点云可视化以及添加3D框

2023-12-07 18:59
文章标签 可视化 3d 点云 v2x dair

本文主要是介绍DAIR-V2X点云可视化以及添加3D框，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1 单个点云可视化

1.1 代码

import open3d as o3d
import numpy as np#读取数据
pcd = o3d.io.read_point_cloud("pcd\\000009.pcd")
print(pcd)vis = o3d.visualization.Visualizer()
vis.create_window()#点云渲染
opt = vis.get_render_option()
opt.point_size = 1  #点云大小
opt.background_color = np.asarray([0, 0, 0])       #点云背景色vis.add_geometry(pcd)
vis.run()
vis.destroy_window()

1.2 运行效果

在这里插入图片描述

2 多个点云可视化

2.1 代码

import open3d as o3d
import numpy as np#读取数据
pcd1 = o3d.io.read_point_cloud("peizhun\\001079.pcd")
print(pcd1)#读取数据
pcd2 = o3d.io.read_point_cloud("peizhun\\004994.pcd")
print(pcd2)vis = o3d.visualization.Visualizer()
vis.create_window()#点云渲染
opt = vis.get_render_option()
opt.point_size = 1  #点云大小
opt.background_color = np.asarray([0, 0, 0])       #点云背景色vis.add_geometry(pcd1)
vis.add_geometry(pcd2)
vis.run()
vis.destroy_window()

2.2 运行效果

在这里插入图片描述

3 获取单个3D框

#box_dir 为json文件对应的路径
def get_box(box_dir):with open(box_dir, 'r') as f:data = json.load(f)for dict in data:#读取x,y,zx=dict.get('3d_location').get('x')y=dict.get('3d_location').get('y')z=dict.get('3d_location').get('z')#读取h,w,lh=dict.get('3d_dimensions').get('h')w=dict.get('3d_dimensions').get('w')l=dict.get('3d_dimensions').get('l')#8个定点信息point1=point2=point3=point4=point5=point6=point7=point8=[0,0,0]point1=[x+0.5*w,y-0.5*l,z-0.5*h]    point2=[x+0.5*w,y+0.5*l,z-0.5*h]    point3=[x-0.5*w,y+0.5*l,z-0.5*h]    point4=[x-0.5*w,y-0.5*l,z-0.5*h]    point5=[x+0.5*w,y-0.5*l,z+0.5*h]    point6=[x+0.5*w,y+0.5*l,z+0.5*h]    point7=[x-0.5*w,y+0.5*l,z+0.5*h]    point8=[x-0.5*w,y-0.5*l,z+0.5*h]    #3d boxbox=[point1,point2,point3,point4,point5,point6,point7,point8]  return box

4 获取多个3D框

def get_box(box_dir):box = [0] * countyaw = [0] * countwith open(box_dir, 'r') as f:data = json.load(f)i = 0for dict in data:#读取x,y,zx=dict.get('3d_location').get('x')# x=round(x,3)y=dict.get('3d_location').get('y')z=dict.get('3d_location').get('z')#读取h,w,lh=dict.get('3d_dimensions').get('h')w=dict.get('3d_dimensions').get('w')l=dict.get('3d_dimensions').get('l')#读取rotationyaw[i] = dict.get('rotation')#8个定点信息point1=point2=point3=point4=point5=point6=point7=point8=[0,0,0]point1=[x+0.5*w,y-0.5*l,z-0.5*h]    point2=[x+0.5*w,y+0.5*l,z-0.5*h]    point3=[x-0.5*w,y+0.5*l,z-0.5*h]    point4=[x-0.5*w,y-0.5*l,z-0.5*h]    point5=[x+0.5*w,y-0.5*l,z+0.5*h]    point6=[x+0.5*w,y+0.5*l,z+0.5*h]    point7=[x-0.5*w,y+0.5*l,z+0.5*h]    point8=[x-0.5*w,y-0.5*l,z+0.5*h]    #3d boxbox[i]=[point1,point2,point3,point4,point5,point6,point7,point8]i += 1   return box

5 DAIR-V2X 3D框投影到点云

注：因为json文件中含有rotation变量，所以对矩阵做了旋转

import json
from tkinter import W
from matplotlib.pyplot import box
import open3d as o3d
import numpy as np
import math
import json def get_box_count(box_dir):with open(box_dir, 'r') as f:data = json.load(f)i = 0for dict in data:i += 1return idef get_lidar_3d_8points(obj_size, yaw_lidar, center_lidar):center_lidar = [center_lidar[0], center_lidar[1], center_lidar[2]]#x,y,zlidar_r = np.matrix([[math.cos(yaw_lidar), -math.sin(yaw_lidar), 0], [math.sin(yaw_lidar), math.cos(yaw_lidar), 0], [0, 0, 1]])l, w, h = obj_sizecenter_lidar[2] = center_lidar[2] - h / 2corners_3d_lidar = np.matrix([[l / 2, l / 2, -l / 2, -l / 2, l / 2, l / 2, -l / 2, -l / 2],[w / 2, -w / 2, -w / 2, w / 2, w / 2, -w / 2, -w / 2, w / 2],[0, 0, 0, 0, h, h, h, h],])corners_3d_lidar = lidar_r * corners_3d_lidar + np.matrix(center_lidar).Treturn corners_3d_lidar.Tdef read_label_bboxes(label_path):with open(label_path, "r") as load_f:labels = json.load(load_f)i = 0boxes = [0] * countfor label in labels:obj_size = [float(label["3d_dimensions"]["l"]),float(label["3d_dimensions"]["w"]),float(label["3d_dimensions"]["h"]),]yaw_lidar = float(label["rotation"])center_lidar = [float(label["3d_location"]["x"]),float(label["3d_location"]["y"]),float(label["3d_location"]["z"]),]box = get_lidar_3d_8points(obj_size, yaw_lidar, center_lidar)boxes[i] = np.matrix.tolist(box) i += 1return boxes#绘制点云与3d box
def draw_pcd_box(pcd,linesets):vis = o3d.visualization.Visualizer()vis.create_window()vis.add_geometry(pcd)for i in range(count): vis.add_geometry(linesets[i])#点云渲染opt = vis.get_render_option()opt.point_size = 1  #点云大小opt.background_color = np.asarray([0, 0, 0])       #点云背景色vis.run()vis.destroy_window() if __name__=='__main__':#读取3d box数据box_dir = "json\\000009.json"count = get_box_count(box_dir)#获取3d框数量_3dbox = read_label_bboxes(box_dir)#读取点云数据pcd_dir = "pcd\\000009.pcd"pcd = o3d.io.read_point_cloud(pcd_dir)lines_box = np.array([[0, 1], [1, 2], [0, 3], [2, 3], [4, 5], [4, 7], [5, 6], [6, 7],[0, 4], [1, 5], [2, 6], [3, 7]])colors = np.array([[0, 1, 0] for j in range(len(lines_box))])line_set = [0] * countfor i in range(count):line_set[i] = o3d.geometry.LineSet()line_set[i].points = o3d.utility.Vector3dVector(_3dbox[i])line_set[i].lines = o3d.utility.Vector2iVector(lines_box)line_set[i].colors = o3d.utility.Vector3dVector(colors)# point_cloud = o3d.geometry.PointCloud()# point_cloud.points = o3d.utility.Vector3dVector(pcd[:,:3])draw_pcd_box(pcd,line_set)

在这里插入图片描述

这篇关于DAIR-V2X点云可视化以及添加3D框的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/466992。

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题：墙体两侧特征混淆误匹配，导致建图和定位偏差，表现为过门跳变、外月台走歪等 ·解决思路：预期的根治方案IGICP需要较长时间完成上线，先使用切分地图的工程化方案，即墙体两侧切分为不同地图，在某一侧只使用该侧地图进行定位 方案思路 切分原理：切分地图基于关键帧位置，而非点云。 理论基础：光照是直线的，一帧点云必定只能照射到墙的一侧，无法同时照到两侧实践考虑：关
阅读更多...
2、PF-Net点云补全

2、PF-Net点云补全

2、PF-Net 点云补全 PF-Net论文链接：PF-Net PF-Net （Point Fractal Network for 3D Point Cloud Completion）是一种专门为三维点云补全设计的深度学习模型。点云补全实际上和图片补全是一个逻辑，都是采用GAN模型的思想来进行补全，在图片补全中，将部分像素点删除并且标记，然后卷积特征提取预测、判别器判别，来训练模型，生成的像
阅读更多...
MiniGPT-3D, 首个高效的3D点云大语言模型，仅需一张RTX3090显卡，训练一天时间，已开源

MiniGPT-3D, 首个高效的3D点云大语言模型，仅需一张RTX3090显卡，训练一天时间，已开源

项目主页：https://tangyuan96.github.io/minigpt_3d_project_page/ 代码：https://github.com/TangYuan96/MiniGPT-3D 论文：https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA，被ACM MM2024接收，只拥有47.8M的可训练参数，在一张RTX
阅读更多...
Python：豆瓣电影商业数据分析-爬取全数据【附带爬虫豆瓣，数据处理过程，数据分析，可视化，以及完整PPT报告】

Python：豆瓣电影商业数据分析-爬取全数据【附带爬虫豆瓣，数据处理过程，数据分析，可视化，以及完整PPT报告】

**爬取豆瓣电影信息，分析近年电影行业的发展情况** 本文是完整的数据分析展现，代码有完整版，包含豆瓣电影爬取的具体方式【附带爬虫豆瓣，数据处理过程，数据分析，可视化，以及完整PPT报告】   最近MBA在学习《商业数据分析》，大实训作业给了数据要进行数据分析，所以先拿豆瓣电影练练手，网络上爬取豆瓣电影TOP250较多，但对于豆瓣电影全数据的爬取教程很少，所以我自己做一版。 目
阅读更多...
SAM2POINT：以zero-shot且快速的方式将任何 3D 视频分割为视频

SAM2POINT：以zero-shot且快速的方式将任何 3D 视频分割为视频

摘要 我们介绍 SAM2POINT，这是一种采用 Segment Anything Model 2 (SAM 2) 进行零样本和快速 3D 分割的初步探索。 SAM2POINT 将任何 3D 数据解释为一系列多向视频，并利用 SAM 2 进行 3D 空间分割，无需进一步训练或 2D-3D 投影。 我们的框架支持各种提示类型，包括 3D 点、框和掩模，并且可以泛化到不同的场景，例如 3D 对象、室
阅读更多...
基于SSM+Vue+MySQL的可视化高校公寓管理系统

基于SSM+Vue+MySQL的可视化高校公寓管理系统

系统展示 管理员界面 宿管界面 学生界面 系统背景   当前社会各行业领域竞争压力非常大，随着当前时代的信息化，科学化发展，让社会各行业领域都争相使用新的信息技术，对行业内的各种相关数据进行科学化，规范化管理。这样的大环境让那些止步不前，不接受信息改革带来的信息技术的企业随时面临被淘汰，被取代的风险。所以当今，各个行业领域，不管是传统的教育行业
阅读更多...
模具要不要建设3D打印中心

模具要不要建设3D打印中心

随着3D打印技术的日益成熟与广泛应用，模具企业迎来了自建3D打印中心的热潮。这一举措不仅为企业带来了前所未有的发展机遇，同时也伴随着一系列需要克服的挑战，如何看待企业引进增材制造，小编为您全面分析。 机遇篇： 加速产品创新：3D打印技术如同一把钥匙，为模具企业解锁了快速迭代产品设计的可能。企业能够迅速将创意转化为实体模型，缩短产品从设计到市场的周期，抢占市场先机。 强化定制化服务：面
阅读更多...
【LVI-SAM】激光雷达点云处理特征提取LIO-SAM 之FeatureExtraction实现细节

【LVI-SAM】激光雷达点云处理特征提取LIO-SAM 之FeatureExtraction实现细节

激光雷达点云处理特征提取LIO-SAM 之FeatureExtraction实现细节 1. 特征提取实现过程总结1.0 特征提取过程小结1.1 类 `FeatureExtraction` 的整体结构与作用1.2 详细特征提取的过程1. 平滑度计算（`calculateSmoothness()`）2. 标记遮挡点（`markOccludedPoints()`）3. 特征提取（`extractF
阅读更多...
「大数据分析」图形可视化，如何选择大数据可视化图形？

「大数据分析」图形可视化，如何选择大数据可视化图形？

​图形可视化技术，在大数据分析中，是一个非常重要的关键部分。我们前期通过数据获取，数据处理，数据分析，得出结果，这些过程都是比较抽象的。如果是非数据分析专业人员，很难清楚我们这些工作，到底做了些什么事情。即使是专业人员，在不清楚项目，不了解业务规则，不熟悉技术细节的情况下。要搞清楚我们的大数据分析，这一系列过程，也是比较困难的。 我们在数据处理和分析完成后，一般来说，都需要形成结论报告。怎样让大
阅读更多...
WPF入门到跪下 第十三章 3D绘图 - 3D绘图基础

WPF入门到跪下 第十三章 3D绘图 - 3D绘图基础

3D绘图基础 四大要点 WPF中的3D绘图涉及4个要点： 视口，用来驻留3D内容3D对象照亮部分或整个3D场景的光源摄像机，提供在3D场景中进行观察的视点 一、视口 要展示3D内容，首先需要一个容器来装载3D内容。在WPF中，这个容器就是Viewport3D（3D视口），它继承自FrameworkElement，因此可以像其他元素那样在XAML中使用。 Viewport3D与其他元素相
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2