三维点云标注实战：从SUSTechPOINTS到OpenPCDet的全流程指南
在自动驾驶和机器人感知领域，高质量的点云标注数据是模型训练的基石。面对海量的原始点云数据，如何高效完成标注并快速投入模型训练，成为许多研究者和工程师面临的共同挑战。本文将手把手带你掌握SUSTechPOINTS标注工具的核心技巧，并实现与OpenPCDet框架的无缝对接，打造从原始数据到训练就绪的完整工作流。
1. SUSTechPOINTS环境配置与数据准备
1.1 工具安装与启动
SUSTechPOINTS作为一款开源的三维点云标注工具，以其轻量化和易用性受到广泛欢迎。安装过程仅需几个简单步骤：
git clone https://github.com/naurril/SUSTechPOINTS cd SUSTechPOINTS pip install -r requirement.txt wget https://github.com/naurril/SUSTechPOINTS/releases/download/0.1/deep_annotation_inference.h5 -P algos/models python main.py启动后，在浏览器访问http://127.0.0.1:8081即可进入标注界面。首次使用时建议检查依赖版本，特别是确保PyQt5和numpy的兼容性。
1.2 数据集目录结构规范
SUSTechPOINTS要求特定的数据组织结构以保证多模态数据的正确加载。以下是精简后的目录结构示例：
+- data +- scene1 +- lidar +- 0000.pcd +- 0001.pcd +- label +- 0000.json +- 0001.json对于纯激光雷达数据项目，只需保留lidar和label两个子目录。每个.pcd文件对应一帧点云数据，而同名的.json文件将存储标注结果。
注意：点云文件建议使用相对路径存储，避免在不同机器上使用时出现路径错误。
2. 高效标注技巧与工作流优化
2.1 基础标注操作流程
在标注界面左上角的下拉菜单中，依次选择数据集文件夹和具体点云文件后，系统会加载可视化界面。右键点击"New"按钮可选择预设的物体类别（如Vehicle、Pedestrian等），随后在三个视图（俯视、前视、侧视）中调整3D边界框：
- 位置调整：在任意视图中拖动边界框中心点
- 尺寸调整：拖动边界框边缘的控制点
- 方向调整：使用快捷键q/e进行旋转
2.2 高级批量标注技巧
SUSTechPOINTS提供了一系列提升效率的快捷键组合：
| 快捷键 | 功能描述 |
|---|---|
| Ctrl+左键 | 点云区域选择 |
| V | 进入批量标注模式 |
| 1/2 | 切换当前物体的前后标注框 |
| PageUp/Down | 切换前后帧 |
批量标注流程：
- 在第一帧手动标注典型物体
- 按V键进入批量模式
- 选择后续帧中的对应点云区域
- 右键选择"Auto annotate"自动生成相似标注
提示：对于连续帧中的静态物体，可使用"Propagate"功能自动传播标注到整个序列。
3. 标注数据格式解析与转换
3.1 SUSTechPOINTS原生JSON格式
标注结果以JSON格式存储，每个物体包含以下关键信息：
{ "obj_type": "Pedestrian", "psr": { "position": {"x": 1.2, "y": -0.5, "z": 0.3}, "rotation": {"x": 0, "y": 0, "z": 1.57}, "scale": {"x": 0.8, "y": 0.5, "z": 1.7} } }3.2 OpenPCDet兼容格式转换
OpenPCDet要求每个点云帧对应一个.txt标注文件，格式为：
类别名 x y z l w h rz以下Python脚本实现格式转换：
import json import os def convert_to_openpcdet(json_path, output_dir): with open(json_path, 'r') as f: data = json.load(f) lines = [] for obj in data: cls = obj["obj_type"] pos = obj["psr"]["position"] scale = obj["psr"]["scale"] rot_z = obj["psr"]["rotation"]["z"] line = f"{cls} {pos['x']} {pos['y']} {pos['z']} " line += f"{scale['x']} {scale['y']} {scale['z']} {rot_z}\n" lines.append(line) os.makedirs(output_dir, exist_ok=True) base_name = os.path.basename(json_path).replace('.json', '.txt') output_path = os.path.join(output_dir, base_name) with open(output_path, 'w') as f: f.writelines(lines)4. OpenPCDet数据集配置与验证
4.1 数据集YAML文件配置
在OpenPCDet中创建自定义数据集需要正确配置.yaml文件：
DATASET: 'CustomDataset' DATA_PATH: 'path/to/pointclouds' ANN_PATH: 'path/to/converted_labels' CLASS_NAMES: ['Pedestrian', 'Vehicle', 'Cyclist'] POINT_CLOUD_RANGE: [0, -40, -3, 70.4, 40, 1]4.2 数据加载验证技巧
使用以下代码片段验证数据是否正确加载：
from pcdet.datasets import build_dataset cfg = ... # 加载配置文件 dataset = build_dataset(cfg.DATA_CONFIG) # 可视化首帧数据 sample_idx = 0 data_dict = dataset[sample_idx] points = data_dict['points'][:, 1:4] # 取xyz坐标 gt_boxes = data_dict['gt_boxes'] print(f"点云数量: {points.shape[0]}") print(f"标注框数量: {gt_boxes.shape[0]}")5. 常见问题排查与性能优化
5.1 标注效率提升实践
- 硬件加速：启用WebGL渲染可大幅提升大规模点云的显示性能
- 预标注策略：先使用算法生成预标注结果，再进行人工校验
- 团队协作：对大型数据集采用分场景标注策略
5.2 典型错误处理
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 标注框显示偏移 | 坐标系不匹配 | 检查传感器标定参数 |
| 批量标注结果不准确 | 点云特征差异大 | 缩小选择区域或手动调整 |
| OpenPCDet加载失败 | 路径或格式错误 | 使用绝对路径并验证文件权限 |
在实际项目中，建议先标注100帧样本进行全流程测试，确认无误后再开展大规模标注。遇到点云密度不足的情况，可考虑使用时序累积或数据增强技术提升训练效果。
