0. 简介
对于3d bounding box而言，近几年随着自动驾驶的火热，其标注工具也日渐多了起来，本篇文章不讲具体的算法，这里主要聚焦于这些开源的3d bounding box标注工具，以及他们是怎么使用的。这里借鉴了我想静静，博主的博客作为基础，然后再结合自己的使用与了解完成扩充。
1. 3d-bat
在本文中，我们专注于在新型 3D 边界框注释工具箱 (3D BAT) 的帮助下获取 2D 和 3D 标签，以及道路上物体的轨迹 ID。 我们基于 Web 的开源 3D BAT 包含多项智能功能，以提高可用性和效率。例如，此注释工具箱支持使用插值对轨迹进行半自动标记，这对于跟踪、运动规划和运动预测等下游任务至关重要。
此外，通过将注释从 3D 空间投影到图像域中，可以自动获得所有相机图像的注释。除了原始图像和点云馈送外，还提供由顶视图（鸟瞰图）、侧视图和前视图组成的主视图，可用于从不同角度观察感兴趣的对象。 我们的方法与其他公开可用的注释工具的比较表明，使用我们的工具箱可以更快、更有效地获得 3D 注释。支持点云渲染，2D 俯视图，立方体标注，下面这篇文章讲了具体的使用与安装方法
2. point-cloud-annotation-tool
为了标注点云数据，根据使用要求和方便程度最终选择了这款可以在Windows下编译安装的point-cloud-annotation-tool，基于QT和vtk和PCL进行编译。其主要可以支持以下几种标注格式
- 支持点云数据加载、保存与可视化
- 支持点云数据选择
- 支持3D BOX框生成
- 支持KITTI-bin格式数据
下面这篇文章讲了在Windows下具体的使用与安装方法，而对于Ubuntu的用户来说，可以参考这个文章
3. SUSTechPoints
在得到图像数据，激光雷达数据，标定数据之后,需要进行3D目标框标注。本文采用的标注工具采用的是:SUSTechPOINTS。这个工具是2020年IEEE收录的，是一个比较好的开源项目，可以使得激光雷达和图像数据联合标注。其主要可以完成点云渲染, 3视图, 2D 相机图, 交互较流畅，半自动框注释（需要额外的包）自动对象跟踪 ID 生成，具体的安装使用可以看这篇文章
4. annotate
感知算法的评估需要标记的地面真实数据。受监督的机器学习算法需要标记的训练数据。“annotate”是在ROS/RViz中创建三维标记边界框的工具。它的标记数据既可以作为机器学习算法的训练数据，也可以作为评估的基础数据。具体的使用可以参考这篇文章
5. Label家族
5.1 Labelhub
Labelhub作为一个支持网页端标注的标注软件。其支持所有类型的图片标注，支持2D图像（.jpg和.png文件）的3视图映射。还支持LIDAR生成的3D点云（.pcd文件）中目标的标注，支持3D BOX框生成。最好用的还是其可以通过预置训练模型可进行目标自动识别，贴边等。免费体验地址如下http://labelhub.cn/。如果需要具体使用这个软件，可以参考这个博客
5.2 labelImg-kitti（bev）
使用该软件可以直接提供bev视角的标注，得到kitti格式，这个就是在传统的IabelImg上进行了扩充，增加了bev视角下深度点云的标注，具体使用可以参考这篇文章
