pengxiang1998的博客

本文介绍了一款基于OpenGL+PyQt开发的点云航线规划软件，具备流式处理降低内存消耗、智能分类算法优化精度、高效渲染等功能。软件支持工程创建、点云导入与多模式渲染、台账标注、一键自动化处理（包括分类、通道分割、航线生成等）、工况分析、手动点云分类调整、航线规划与自定义模板、航线拆分以及巡检照片智能重命名等核心功能。通过可视化交互界面和自动化流程设计，显著提升了电力巡检等场景下的工作效率，支持多任务并行处理和复杂场景下的航线优化调整。软件还提供轨道安全距离预警和跨区域航线拆分等特色功能，满足专业用户的精细

而基于 Cloth Simulation 的机载 LiDAR 滤波方法便可以较好的识别地面信息，从而帮助我们节省很多成本。在我们标注点云时，因为地面和植被紧贴在一起，因此我们地面很难进行较为精细的标注（当然很多情况下地面我们都会忽略）至此，完成地面提取。接下来便是进行地面滤波处理完成的后续操作，根据地面类别的颜色进行赋值，完成点云地面标注。原理我们在此不去深究，我们主要看起如何应用到我们的点云标注工具中。实现代码如下，这里我们选用。可以看到，其提取效果不错。

在Open3D中，通过read方法，我们可以读取不同格式的点云数据，那么，在不使用Open3D。

先前我们使用的是Open3D进行点云加载与展示，但由于Open3D更侧重于点云处理，其缺少一些相关的GUI控件，因此采用PyQt进行开发，同时使用OpenGL进行3D渲染，那么具体要如何实现呢？

参照open3d中的交互式点云可视化，我们可以理解其是如何进行框选点云的。可以看到，要想进行点云框选，首先要锁定视角，随后便可以在上面进行选择了。

似乎，这样的逻辑并没有什么问题，但将3D点云向2D屏幕投影，他的坐标是固定的，也就是说，每个点云的点在加载后，其往屏幕的投影就是确定的，那么，在我们框选过程中，当点云经过旋转、平移、缩放等操作后，他的投影依旧不会变化，这就导致其根本不能实现框选操作。

工作需求：利用Open3D开发一款用于点云标注的工具，即按照点云类别赋予不同颜色实现效果如下：通过点击颜色面板的不同颜色可以进行颜色切换，在我们选择两个点后，点击Create Box可以创建一个轴对称框体，从而将该框体内的点云设置为对应颜色，点击Save后则可以保存结果。需求并不复杂，但对于我这个半路出家的门外汉而言，还是有些难度的，这篇博文主要记录一下实现思路与在设计过程中遇到的问题。

我们已经学习了PointNet++的网络结构，以及在S3Dis数据集上的训练、测试以及可视化等操作，那么如何使用该模型来训练我们自己的数据集呢，其实，操作十分简单，只需要修改几个参数即可。

其中，对于points，16是batch-size，4096是点云数量（我们在前一篇博客中说过，为了使输出的值统一，我们的输入值的数量也要统一，这里设置一个batch中输入的点云数量为4096，9则是其点云维度。组合点云和类别，在先前为方便运算，将场景中的点云进行了切分，每个batch含有4096个，在完成对4096个点的分类后，将其组合起来，即恢复为原来的场景。下面的代码是训练的核心部分，即完成加载数据集，将数据送入模型，计算损失，反向传播等功能，其中我们着重看一下数据在模型中是如何变化的。

根据其论文中给出的介绍，Point++是用于点云分割与分类的深度学习模型，由下图可知，该模型主要分为三部分，分别是点空间特征提取、分割模型以及分类模块。其中，由一系列点集抽象层（）组成，而每一个。：Sampling layer的作用是从点云中选择很多个质点和围绕在这些质点的局部区域。作为输入，通过使用FPS算法（，最远点采样法）选出一系列点作为质点，与随机选取相比，这样可以更好的覆盖整个点集空间。

点云与三维图像的关系深度图（以灰度表达物体与相机的距离），几何模型（由CAD软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体——背景解耦。点云数据是最为常见也是最基础的三维模型。点云模型往往由测量直接得到，每个点对应一个测量点，未经过其他处理手段，故包含了最大的信息量。这些信息隐藏在点云中需要以其他提取手段将其萃取出来，提取点云中信息的过程则为三维图像处理。点云是某个坐标系下的点的数据集。