版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_25026989/article/details/85265663
#利用标注软件分割已知场景、构建语义地图
通过使用软件标注对我们自动驾驶任务有需要的Object后，结果如图2所示，这里我们暂时只标注了Tree、Car、Road三类Object，在图2中分别用枚红色、蓝色、和青色表示，他们的类别由PCD文本文件中的label项区分开。通过给一个范围内的点云打标签，我们可以手动分割具有不同语义的点云簇，构建基于点云的语义地图。并且输出文件label_result.pcd中输出的点云数据带有了label信息，可以供我们二次利用。比如说选取road中的点云数据继续筛选得到我们需要的车道中心线的点云，作为自动驾驶轨迹跟踪的参考点（view_point）。
图1 采集的原始点云分布图
图2 标注了Road、Car、Tree后的点云分布图
利用Editor工具再次加载上面标注后带有类别信息的的PCD文件，结果如下。注意，如果和原始选取的颜色不一样，则一般是因为class set设置不一致导致。（当前原始PCD选择的是AD20 类别集合）
#恢复标注后的点云
修改类别结合后，可以看到点云簇的类别和label都能还原出来，即能完成对类别信息的读取。我们也可以不采用工具的读取方式，硬编码读取PCD每一行的点坐标和label数据，将我们需要的类别过滤出来单独存放在各个PCD文件中，方便后续利用。
图3 reload 标注后的点云文件，确定label特征是否正确加载
二、拾取车道中心线像素点（这里是筛选3D点云）
#手动分割地面像素
如图4所示，我们在Road提取出来的点云中二次拾取，得到道路中心线的点云，因为车道的高度是可以忽略不计的，所以要滤掉很多在Z轴上的点，只保留z很小的一部分点。
图4 车道中心线点云拾取，图中黄色标注的代表车道线
图5 过滤z轴后的车道中心线点云