关键词：
转载自一文多图搞懂KITTI数据集下载及解析-阿里云开发者社区
KITTI Dataset
1.图片下载：点击下载：https://s3.eu-central-1.amazonaws.com/avg-kitti/data_object_image_2.zip
2.点云下载：点击下载：https://s3.eu-central-1.amazonaws.com/avg-kitti/data_object_velodyne.zip
3.标签下载：点击下载：https://s3.eu-central-1.amazonaws.com/avg-kitti/data_object_label_2.zip
4.校正文件下载：点击下载:
https://s3.eu-central-1.amazonaws.com/avg-kitti/data_object_calib.zip
注意：点击下载没有反应的话，复制链接使用迅雷下载，速度更快。
Tip:具体下载请参考：
https://blog.csdn.net/lovely_yoshino/article/details/104996550
1 简介
KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。
KITTI包含市区、乡村和高速公路等场景采集的真实图像数据，每张图像中最多达15辆车和30个行人，还有各种程度的遮挡与截断。 3D目标检测数据集由7481个训练图像和7518个测试图像以及相应的点云数据组成，包括总共80256个标记对象。
下图红色框标记的为我们需要的数据，分别是彩色图像数据（12GB）、点云数据（29GB）、相机矫正数据（16MB）、标签数据（5MB）。其中彩色图像数据、点云数据、相机矫正数据均包含training（7481）和testing（7518）两个部分，标签数据只有training数据。
1.1 数据采集平台
各设备坐标系、距离信息由上图可见。坐标系转换原理参见click。其实KITTI提供的数据中都包含三者的标定文件，不需人工转换。
1.2 坐标系
- camera: x = right, y = down, z = forward
- velodyne: x = forward, y = left, z = up
- GPS/IMU: x = forward, y = left, z = up
1.3 image文件
image文件以8位PNG格式存储，图集如下：
1.4 velodyne文件
velodyne文件是激光雷达的测量数据（绕其垂直轴（逆时针）连续旋转），以“000001.bin”文件为例，内容如下：
7b14 4642 1058 b541 9643 0340 0000 0000
46b6 4542 1283 b641 3333 0340 0000 0000
4e62 4042 9643 b541 b072 0040 cdcc 4c3d
8340 3f42 08ac b541 3bdf ff3f 0000 0000
e550 4042 022b b841 9cc4 0040 0000 0000
10d8 4042 022b ba41 4c37 0140 0000 0000
3fb5 3a42 14ae b541 5a64 fb3f 0000 0000
7dbf 3942 2731 b641 be9f fa3f 8fc2 f53d
cd4c 3842 3f35 b641 4c37 f93f ec51 383e
dbf9 3742 a69b b641 c3f5 f83f ec51 383e
2586 3742 9a99 b741 fed4 f83f 1f85 6b3e
.
.
.
点云数据以浮点二进制文件格式存储，每行包含8个数据，每个数据由四位十六进制数表示（浮点数），每个数据通过空格隔开。一个点云数据由四个浮点数数据构成，分别表示点云的x、y、z、r（强度 or 反射值），点云的存储方式如下表所示：
1.5 calib文件
calib文件是相机、雷达、惯导等传感器的矫正数据。以“000001.txt”文件为例，内容如下：
/
P0: 7.215377000000e+02 0.000000000000e+00 6.095593000000e+02 0.000000000000e+00 0.000000000000e+00 7.215377000000e+02 1.728540000000e+02 0.000000000000e+00 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 0.000000000000e+00 P1: 7.215377000000e+02 0.000000000000e+00 6.095593000000e+02 -3.875744000000e+02 0.000000000000e+00 7.215377000000e+02 1.728540000000e+02 0.000000000000e+00 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 0.000000000000e+00 P2: 7.215377000000e+02 0.000000000000e+00 6.095593000000e+02 4.485728000000e+01 0.000000000000e+00 7.215377000000e+02 1.728540000000e+02 2.163791000000e-01 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 2.745884000000e-03 P3: 7.215377000000e+02 0.000000000000e+00 6.095593000000e+02 -3.395242000000e+02 0.000000000000e+00 7.215377000000e+02 1.728540000000e+02 2.199936000000e+00 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 2.729905000000e-03 R0_rect: 9.999239000000e-01 9.837760000000e-03 -7.445048000000e-03 -9.869795000000e-03 9.999421000000e-01 -4.278459000000e-03 7.402527000000e-03 4.351614000000e-03 9.999631000000e-01 Tr_velo_to_cam: 7.533745000000e-03 -9.999714000000e-01 -6.166020000000e-04 -4.069766000000e-03 1.480249000000e-02 7.280733000000e-04 -9.998902000000e-01 -7.631618000000e-02 9.998621000000e-01 7.523790000000e-03 1.480755000000e-02 -2.717806000000e-01 Tr_imu_to_velo: 9.999976000000e-01 7.553071000000e-04 -2.035826000000e-03 -8.086759000000e-01 -7.854027000000e-04 9.998898000000e-01 -1.482298000000e-02 3.195559000000e-01 2.024406000000e-03 1.482454000000e-02 9.998881000000e-01 -7.997231000000e-01
1.6 label文件
label文件是KITTI中object的标签和评估数据，以“000001.txt”文件为例，包含样式如下：
///
Truck 0.00 0 -1.57 599.41 156.40 629.75 189.25 2.85 2.63 12.34 0.47 1.49 69.44 -1.56 Car 0.00 0 1.85 387.63 181.54 423.81 203.12 1.67 1.87 3.69 -16.53 2.39 58.49 1.57 Cyclist 0.00 3 -1.65 676.60 163.95 688.98 193.93 1.86 0.60 2.02 4.59 1.32 45.84 -1.55 DontCare -1 -1 -10 503.89 169.71 590.61 190.13 -1 -1 -1 -1000 -1000 -1000 -10 DontCare -1 -1 -10 511.35 174.96 527.81 187.45 -1 -1 -1 -1000 -1000 -1000 -10 DontCare -1 -1 -10 532.37 176.35 542.68 185.27 -1 -1 -1 -1000 -1000 -1000 -10 DontCare -1 -1 -10 559.62 175.83 575.40 183.15 -1 -1 -1 -1000 -1000 -1000 -10
每一行代表一个object，每一行都有16列分别表示不同的含义，具体如下：
第1列（字符串）：代表物体类别（type）
总共有9类，分别是：Car、Van、Truck、Pedestrian、Person_sitting、Cyclist、Tram、Misc、DontCare。其中DontCare标签表示该区域没有被标注，比如由于目标物体距离激光雷达太远。为了防止在评估过程中（主要是计算precision），将本来是目标物体但是因为某些原因而没有标注的区域统计为假阳性(false positives)，评估脚本会自动忽略DontCare区域的预测结果。
第2列（浮点数）：代表物体是否被截断（truncated）
数值在0（非截断）到1（截断）之间浮动，数字表示指离开图像边界对象的程度。
第3列（整数）：代表物体是否被遮挡（occluded）
整数0、1、2、3分别表示被遮挡的程度。
第4列（弧度数）：物体的观察角度（alpha）
取值范围为：-pi ~ pi（单位：rad），它表示在相机坐标系下，以相机原点为中心，相机原点到物体中心的连线为半径，将物体绕相机y轴旋转至相机z轴，此时物体方向与相机x轴的夹角，如图1所示。
第5~8列（浮点数）：物体的2D边界框大小（bbox）
四个数分别是xmin、ymin、xmax、ymax（单位：pixel），表示2维边界框的左上角和右下角的坐标。
第9~11列（浮点数）：3D物体的尺寸（dimensions）
分别是高、宽、长（单位：米）
第12-14列（整数）：3D物体的位置（location）
分别是x、y、z（单位：米），特别注意的是，这里的xyz是在相机坐标系下3D物体的中心点位置。
第15列（弧度数）：3D物体的空间方向（rotation_y）
取值范围为：-pi ~ pi（单位：rad），它表示，在照相机坐标系下，物体的全局方向角（物体前进方向与相机坐标系x轴的夹角），如图1所示。
第16列（整数）：检测的置信度（score）
要特别注意的是，这个数据只在测试集的数据中有**（待确认）**。
1.7 KITTI可视化
目前已经完成了pointcloud、gt boxes、label、dt boxes（PointRCNN）等可视化，后续会把体素化加进去，先贴个可视化效果图：
2. 激光数据
首先在官网KITTI
下载 raw data development kit，其中的readme文件详细记录了你想知道的一切，数据采集装置，不同装置的数据格式，label等。
激光数据是什么形式呢？激光照射到物体表面产生大量点数据，KITTI中的点数据包括四维x,y,z以及reflectance反射强度。Velodyne 3D激光产生点云数据，以.bin(二进制)文件保存。
Velodyne 3D laser scan data
===========================
The velodyne point clouds are stored in the folder 'velodyne_points'. To
save space, all scans have been stored as Nx4 float matrix into a binary
file using the following code:
stream = fopen (dst_file.c_str(),"wb");
fwrite(data,sizeof(float),4*num,stream);
fclose(stream);
Here, data contains 4*num values, where the first 3 values correspond to
x,y and z, and the last value is the reflectance information. All scans
are stored row-aligned, meaning that the first 4 values correspond to the
first measurement. Since each scan might potentially have a different
number of points, this must be determined from the file size when reading
the file, where 1e6 is a good enough upper bound on the number of values:
// allocate 4 MB buffer (only ~130*4*4 KB are needed)
int32_t num = 1000000;
float *data = (float*)malloc(num*sizeof(float));
// pointers
float *px = data+0;
float *py = data+1;
float *pz = data+2;
float *pr = data+3;
// load point cloud
FILE *stream;
stream = fopen (currFilenameBinary.c_str(),"rb");
num = fread(data,sizeof(float),num,stream)/4;
for (int32_t i=0; i<num; i++)
point_cloud.points.push_back(tPoint(*px,*py,*pz,*pr));
px+=4; py+=4; pz+=4; pr+=4;
fclose(stream);
x,y and y are stored in metric (m) Velodyne coordinates.
IMPORTANT NOTE: Note that the velodyne scanner takes depth measurements
continuously while rotating around its vertical axis (in contrast to the cameras,
which are triggered at a certain point in time). This means that when computing
point clouds you have to 'untwist' the points linearly with respect to the velo-
dyne scanner location at the beginning and the end of the 360掳 sweep. The time-
stamps for the beginning and the end of the sweeps can be found in the time-
stamps file. The velodyne rotates in counter-clockwise direction.
Of course this 'untwisting' only works for non-dynamic environments.
The relationship between the camera triggers and the velodyne is the following:
We trigger the cameras when the velodyne is looking exactly forward (into the
direction of the cameras).
官方提供的激光数据为N*4的浮点数矩阵，raw data development kit中的matlab文件夹是官方提供matlab接口，主要是将激光数据与相机数据结合，在图像上投影。matlab接口详解及使用 最终可以将点云数据保存为pcd格式，然后用pcl进行相应处理。
(建议收藏)一文多图，彻底搞懂floyd算法(多源最短路径)(代码片段)
前言在图论中，在寻路最短路径中除了Dijkstra算法以外，还有Floyd算法也是非常经典，然而两种算法还是有区别的，Floyd主要计算多源最短路径。在单源正权值最短路径，我们会用Dijkstra算法来求最短路径，... 查看详情
(建议收藏)一文多图，彻底搞懂floyd算法(多源最短路径)(代码片段)
前言在图论中，在寻路最短路径中除了Dijkstra算法以外，还有Floyd算法也是非常经典，然而两种算法还是有区别的，Floyd主要计算多源最短路径。在单源正权值最短路径，我们会用Dijkstra算法来求最短路径，... 查看详情
各领域公开数据集简介及下载使用方式(代码片段)
...ASCALVOC4.KITTI4.flowers1025.Pets376.CASIA-WebFace7.LFW（人脸比对数据集）持续更新中... 本篇博客主要介绍各领域常用的数据集及下载使用方式。1.ImageNet ImageNet是深度学习视觉方面最经典的一个数据集，由斯坦福大学教... 查看详情
写给初学者，一文搞懂大数据学习岗位面试及简历(代码片段)
最近有公众号读者私聊我时发现有不少应届生和初学者，他们在大数据怎么学，以及大数据怎么面试，简历怎么写等方面有很大的困扰，今天我们就来谈谈关于大数据的一些事。写在前面：每个人的学习方法... 查看详情
写给初学者，一文搞懂大数据学习岗位面试及简历(代码片段)
最近有公众号读者私聊我时发现有不少应届生和初学者，他们在大数据怎么学，以及大数据怎么面试，简历怎么写等方面有很大的困扰，今天我们就来谈谈关于大数据的一些事。写在前面：每个人的学习方法... 查看详情
一文搞懂gitlab安装部署及服务配置(代码片段)
GitLab安装部署Git，GitHub，GitLab，这三个东东长得好像呀，都是个啥？Git是LinusTorvalds(如果不知道这位大神是谁，请出门左转，慢走不送~)为了帮助管理Linux内核而开发的一个开放源代码的版本控制软件。GitHub，又名全球最大同行交... 查看详情
一文搞懂rpc原理(代码片段)
RPC原理解析什么是RPCRPC(RemoteProcedureCallProtocol)——远程过程调用协议，它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在，如TCP/IP或UDP，为通信程序之间携带信... 查看详情
kitti数据集可视化：点云多种视图的可视化实现(代码片段)
...云进行可视化。而这篇博客是将介绍一些代码工具将KITTI数据集进行可视化操作，包括点云鸟瞰图，FOV图，以及标注信息在图像+点云上的显示。文章目录1.数据集准备2.环境准备3.KITTI数据集可视化4.点云可视化5.鸟... 查看详情
一文搞懂mybatis架构与工作原理(代码片段)
前言本文将从宏观角度分析Mybatis的架构与工作原理。架构Mybatis的功能架构分为三层：API接口层：提供给外部使用的接口API，开发人员通过这些API操纵数据库。接口层一接收到调用请求就会调用数据处理层来完成具体... 查看详情
kitti数据集格式(代码片段)
NumelementsParameternameDescriptionTypeRangeExample1ClassnamesTheclasstowhichtheobjectbelongs.StringN/APerson,car,Road_Sign1Truncation（截断）Howmuchoftheobjecthasleftimageboundaries.Float0.0,0.10.0 查看详情
索引到底能提升多少查询效率？何时该使用索引？一文快速搞懂数据库索引及合理使用它(代码片段)
一、前言无论是面试、还是日常工作中，或多或少都会使用或者听到别人谈论索引这个技术。然而很大一部份程序员对索引的了解仅限于到“加索引能使查询变快”这个概念为止。使用索引也很简单，然而，会使用索... 查看详情
js基本功修炼，一文搞懂javascript数组(代码片段)
JavaScript数组的全方位解析1.数组概述2.访问数组3.二维及多维数组4.数组的常用操作1.数组概述1.1数组是什么？数组可以看成是一个容器，用来存放值举个例子：一整栋楼可以看成一个数组里面的每一个房间都是数组的... 查看详情
内含面试|一文搞懂hbase的基本原理(代码片段)
本文会对HBase的基本原理进行剖析，通过本文你可以了解到：CAP理论NoSQL出现的原因HBase的特点及使用场景HBase的数据模型和基本原理客户端API的基本使用易混淆知识点面试总结温馨提示:本文内容较长，如果觉得有用，建议收藏。... 查看详情
自动驾驶数据集kitti数据集简介和使用+kitti数据集国内下载地址
...KITTI笔记记录，参考链接附在文中目录KITTI简介1.KITTI数据集概述2.数据采集平台下载地址KITTI简介这篇文章写得非常详细：https://blog.csdn.net/solomon1558/article/details/701732231.KITTI数据集概述 KITTI数据集由德国卡尔斯鲁厄理工... 查看详情
一文彻底解析数据库设计思路(代码片段)
一文彻底解析数据库设计思路目录🌟博主介绍实体关系(Entity-Relationship,E-R)概念E-R模型实体(Entity)属性(Attribute)联系(Relationships)将实体和属性转换为关系规则一规则二规则三:N-NRelationships规则四:N-1Relationships规则五&六:1-1Relati... 查看详情
一文彻底搞懂hbase(代码片段)
本文是基于CentOS7.9系统环境，进行HBase的学习和使用一、HBase的简介1.1HBase基本概念HBase是一种分布式、可扩展、支持海量数据存储的NoSQL数据库，可以解决HDFS随机写的问题1.2HBase数据模型逻辑上，HBase的数据模型同关系... 查看详情
一文彻底搞懂hbase(代码片段)
本文是基于CentOS7.9系统环境，进行HBase的学习和使用一、HBase的简介1.1HBase基本概念HBase是一种分布式、可扩展、支持海量数据存储的NoSQL数据库，可以解决HDFS随机写的问题1.2HBase数据模型逻辑上，HBase的数据模型同关系... 查看详情
一文搞懂深度常用损失函数(代码片段)
一，损失函数概述大多数深度学习算法都会涉及某种形式的优化，所谓优化指的是改变$x$以最小化或最大化某个函数$f(x)$的任务，我们通常以最小化$f(x)$指代大多数最优化问题。在机器学习中，损失函数是代价函数的一部分，而... 查看详情