點云PCL免費知識星球，點云論文速讀。

標題：最新開源LiDAR數據集LSOOD：四種常見的室外物體分類

作者：Y Tian

來源：https://github.com/Tian-Yifei/LSOOD-LiDAR-Scanning-Outdoor-Object-Dataset

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

LSOOD數據集

LSOOD數據集（LiDAR Scanning Outdoor Object Dataset）由Velodyne32線激光雷達設備采集，包含四種常見的室外障礙物（行人、建筑、樹木和灌木），可用于無人駕駛、遙感等領域的分類器訓練。

由于現存的LiDAR掃描的物體分類數據集較少，較為知名的悉尼城市物體（Sydney Urban）數據集樣本量小且種類較多，performance的提升難度較大。因此，LSOOD數據集更適合廣大初學者，簡單易懂的開始LiDAR物體分類的研究和學習。

該數據集從多個場景的中采集，例如道路，十字路口等。利用快速的空間聚類算法（Fast Spatial Clustering Method），將場景點云進行快速的實例分割，形成大量獨立的物體點云。該算法在實例分割的過程中，每幀點云的處理速度為30ms左右。

由于LiDAR生成的點云數據具有稀疏、無紋理信息的特點，為了更加準確地判定物體的種類，該團隊開發了如下圖所示的半自動樣本標記工具，結合障礙物周圍的場景信息，提升障礙物的人工標簽準確率。為了提升數據庫中的點云樣本質量，已將存在遮擋、結構不完整的點云樣本剔除，盡可能保留結構較為完整的物體點云。

LSOOD數據集現有1056個障礙物樣本，訓練樣本530個，測試樣本526個。相較于現存的室外雷達點云分類公開數據集，LSOOD具有單個種類樣本量大，點云樣本質量較高，訓練、測試集相對平衡等優勢，易于初學者進行點云分類任務學習。不同于CAD模型生成的標準點云物體（如經典的ModelNet10/40），LSOOD數據集為LiDAR在真實場景下掃描得到，更適合應用于無人駕駛、智能機器人、遙感等多種領域。

目前LSOOD數據集包含建筑樣本335，灌木223，行人83，及喬木415個。后續將公開更多的樣本及分類類別。

LSOOD數據集中點云樣本存儲在.csv文件，每個.csv文件存儲了不同的物體信息，包含了物體點云的x，y，z全局坐標（origin），物體中心為原點的局部坐標（relative），以及對象標簽（object）。

LSOOD數據集可從github下載：

https://github.com/Tian-Yifei/LSOOD-LiDAR-Scanning-Outdoor-Object-Dataset

如果對實例分割的算法（快速的空間聚類）或物體標簽標記工具感興趣，具體細節請參考下述文章：

Y Tian, ? ? ?W Song, L Chen, et al., A Fast Spatial Clustering Method for Sparse LiDAR ? ? ?Point Clouds Using GPU Programming, Sensors 20 (8), 2309

W Song, ? ? ?L Zhang, Y Tian, et al., CNN-based 3D object classification using Hough ? ? ?space of LiDAR point clouds, Human-centric Computing and Information ? ? ?Sciences 10 (1), 1-14

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

點云PCL更多活動請查看：點云PCL活動之應屆生校招群

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享與方式：微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的最新开源LiDAR数据集LSOOD：四种常见的室外物体分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。