基于目標跟蹤算法的點云標注軟件設計

魯文強

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

關鍵詞：點云標注;目標跟蹤;軟件設計

Abstract：Aiming at the problem of point cloud data labeling in autonomous driving scenarios，a labeling software based on target tracking algorithm is designed.In addition to the good completion of the point cloud annotation function，the software also realizes the mapping annotation of the corresponding pictures.The target tracking algorithm used greatly improves the annotation efficiency.This article mainly introduces the software design ideas from the above three aspects，and finally introduces the software annotation process.

Key words：Point cloud annotation;Target tracking algorithm;Software design

隨著深度學習在物體識別領域的快速發展，其在自動駕駛中發揮著越來越重要的作用。而在深度學習里，標注的數據質量影響著模型的訓練效果。在自動駕駛領域中，對數據標注有了更高的要求，希望同時可以標注點云和圖像，同時擁有更高的標注效率。

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

1 點云的標注

點云中3維bounding box的繪制采用了PCL庫中的方法實現，選定點云集合，利用沿坐標軸包圍盒算法（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。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，提高標注的準確度。

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

2 點云標注在圖像的映射

2.1 映射關系

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

由上述式子可知，各坐標間的轉換關系是線性的，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，得到圖像的標注邊框。

3 目標跟蹤算法

粒子濾波算法[3]廣泛應用在目標跟蹤中，主要分為四個階段。第一階段是提取跟蹤目標特征，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。如此的循環往復，即完成了目標的動態追蹤。

傳統的粒子濾波算法是采用粒子隨機分布采樣，基于KLD采樣的自適應濾波算法[4]可以根據場景調整粒子的數目，來降低算法的時間復雜度。KLD采樣的全稱是庫爾貝科-萊布勒距離Kullback-Lerbler Distance，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基于采樣近似質量的統計界限來確定粒子數量。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 標注流程

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

結語

點云標注在自動駕駛算法訓練中占據這十分重要的部分，數據的質量影響這模型的準確度，一款適合模型需要的標注工具顯得更為重要。這款工具主要標注采集到的點云數據，同時也可以標注對應的圖片文件。在標注的過程中，使用到一些提高效率的方法，也就是基于目標跟蹤的半自動標注。通過這一流程，極大提高了標注的效率。同時目標跟蹤也有一些局限的地方[5]，比如需要前文信息加以輔助，這也是我們后續工作的研究點。

參考文獻

[1] 汪世財.基于三維激光雷達的障礙物檢測與跟蹤研究[D].

[2] Geiger A，Lenz P，Stiller C，et al.Vision meets robotics：The KITTI dataset[J].International Journal of Robotics Research，2013，32（11）：1231-1237..

[3] 王法勝，魯明羽，趙清杰，et al.粒子濾波算法[J].計算機學報，2014，37（008）：1679-1694..

[4] 作田真.多目標檢測前跟蹤的粒子濾波算法研究[D].2019.

[5] 盧湖川，李佩霞，王棟.目標跟蹤算法綜述[J].模式識別與人工智能，2018，31（001）：61-76.