点云BEV图处理

BEV，即bird’s eye view，鸟瞰图
BEV图为3D点云数据
鸟瞰图的计算需要用到地面数据，即空间上的点投影到某个平面，需要知道该平面的平面方程，平面方程的表达式为：

空间上的点到平面上的距离为：

读取KITTI数据集中的地面数据：

# 000274.txt
# Plane
Width 4
Height 1
-2.143976e-03 -9.997554e-01 2.201096e-02 1.707479e+00
# 分别表示a, b, c, d四个参数值

点云数据转BEV时高度分辨率为0.5，根据点云数据可以得到x，y和z轴上的数据，即x_col，y_col，z_col，然后使用np.lexsort()对x轴进行排序：

sorted_order = np.lexsort((y_col, z_col, x_col))
# 对 x_col 进行排序
# 如果 x_col 中的数值一样，则比较 z_col 中相应索引下的值的大小
# 如果还相同，再比较 y_col 中的元素

将 y_col 中的元素置为0，即只保留x和z轴上的数据，然后使用np.view()对数值类型进行变换：

# 定义12字节的数据类型
dt = np.dtype((np.void, 12))

# 先使用np.ascontiguousarray将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快
# 再使用np.view按指定方式对内存区域进行切割，来完成数据类型的转换
# discrete_pts(n, 3) --> contiguous_array(n, 1)
# itemsize输出array元素的字节数
contiguous_array = np.ascontiguousarray(discrete_pts).view(dtype=dt)

:::info 离散点云数据discrete_pts的shape为(n，3)，其数值类型为np.int32,4字节，总字节为n_3_4Byte，现将其转为12Byte的数据，即保持总字节数不变：n_1_12，转换完成后的shape为(n，1)。 ::: 对上述的数据进行去重：

# 去除数组中的重复数字，并进行排序
_, unique_indices = np.unique(contiguous_array, return_index=True)
unique_indices.sort()
# 得到不重复的数据
# voxel 体素(三维) 
# pixel 像素(二维)
voxel_coords = discrete_pts[unique_indices]
# 将索引值映射到原点
voxel_coords -= -400

计算每个体素中数据点的数量，即后一个索引值减去当前索引值：

num_points_in_voxel = np.diff(unique_indices)
num_points_in_voxel = np.append(num_points_in_voxel,
                                discrete_pts_2d.shape[0] -
                                unique_indices[-1])

计算每个体素中数据点的高度，通过计算点到平面方程的距离：

# voxel (x, y, z)
# 平面方程: ax + by + cz + d = 0
height_in_voxel = (a*x + b*y + c*z + d) / np.sqrt(a**2 + b**2 + c**2)

对高度信息进行缩放，height_in_voxel = height_in_voxel / 0.5，根据二维索引值voxel_coords(去除y轴)与高度信息即可得到BEV数据，密度信息的计算：

# N is num points in voxel 
# x = 16
density_map = min(1.0, log(N+1)/log(x))

最终的BEV是由5个高度信息和1个密度信息组成，其shape为(700, 800, 6)。