3d点在立方体内（numpy，不使用for循环）

说明

判断一堆3d点哪些在一堆3d框内，与主流3d目标检测算法一样，立方体只有水平方向上的旋转，没有高度方向上的旋转，就是拍到BEV图像上是一个旋转的矩形

代码优势

基于numpy完成，直接判断一堆点和一堆3d框的包含关系，不使用for循环

算法思路

整体思路说白了其实也挺简单的，就是分两步，首先判断点是否在旋转矩形内（本人直接使用凸多边形），然后判断是否在高度范围内

针对numpy核心的代码思路是：在加和过程中True为1、False为0，因此同时满足三个条件加和应该为3。以此进行重叠的逻辑判断，最后判断一次取出满足全部条件的索引

工程细节

定义随机点

 lidar_points = np.random.randint(low=0, high=10, size=(10, 3), dtype='int')

定义旋转矩形

定义一个旋转矩形，输入的box为中心点坐标x、y，矩形宽高，和围绕中心点旋转角度

 def get_corners(box):  # 这里本人项目yaw [-pi/4, 3*pi/4)，需要映射到[0, pi)
     # box = box.detach().cpu().numpy()
     x = box[0]
     y = box[1]
     w = box[2]
     l = box[3]
     yaw = box[4]
     if yaw < 0:  # 用来映射
         yaw = yaw + np.pi
 ​
     bev_corners = np.zeros((4, 2), dtype=np.float32)
     cos_yaw = np.cos(yaw)
     sin_yaw = np.sin(yaw)
 ​
     bev_corners[0, 0] = (w / 2) * cos_yaw - (l / 2) * sin_yaw + x
     bev_corners[0, 1] = (w / 2) * sin_yaw + (l / 2) * cos_yaw + y
     bev_corners[1, 0] = (l / 2) * sin_yaw + (w / 2) * cos_yaw + x
     bev_corners[1, 1] = (w / 2) * sin_yaw - (l / 2) * cos_yaw + y
     bev_corners[2, 0] = (-w / 2) * cos_yaw - (-l / 2) * sin_yaw + x
     bev_corners[2, 1] = (-w / 2) * sin_yaw + (-l / 2) * cos_yaw + y
     bev_corners[3, 0] = (-l / 2) * sin_yaw + (-w / 2) * cos_yaw + x
     bev_corners[3, 1] = (-w / 2) * sin_yaw - (-l / 2) * cos_yaw + y
     return bev_corners
 ​

定义空间3d立方体

首先定义旋转矩形，然后为旋转矩形在z轴上赋最大值和最小值，得到的结果就是空间3d的立方体，但是没有高度上的旋转

 def get_3dbox(boxes):
     boxes_3d = []
     for box in boxes:
         bev_corners = get_corners(box[:5])
         down = np.hstack(
             [bev_corners, box[5] * np.ones((bev_corners.shape[0], 1))])
         up = np.hstack(
             [bev_corners, box[6] * np.ones((b