最新开源LiDAR数据集LSOOD：四种常见的室外物体分类

点击上方“计算机视觉life”，选择“星标”

快速获得最新干货

标题：最新开源LiDAR数据集LSOOD：四种常见的室外物体分类

作者：Y Tian

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

LSOOD数据集

LSOOD数据集（LiDAR Scanning Outdoor Object Dataset）由Velodyne32线激光雷达设备采集，包含四种常见的室外障碍物（行人、建筑、树木和灌木），可用于无人驾驶、遥感等领域的分类器训练。

由于现存的LiDAR扫描的物体分类数据集较少，较为知名的悉尼城市物体（Sydney Urban）数据集样本量小且种类较多，performance的提升难度较大。因此，LSOOD数据集更适合广大初学者，简单易懂的开始LiDAR物体分类的研究和学习。

该数据集从多个场景的中采集，例如道路，十字路口等。利用快速的空间聚类算法（Fast Spatial Clustering Method），将场景点云进行快速的实例分割，形成大量独立的物体点云。该算法在实例分割的过程中，每帧点云的处理速度为30ms左右。

由于LiDAR生成的点云数据具有稀疏、无纹理信息的特点，为了更加准确地判定物体的种类，该团队开发了如下图所示的半自动样本标记工具，结合障碍物周围的场景信息，提升障碍物的人工标签准确率。为了提升数据库中的点云样本质量，已将存在遮挡、结构不完整的点云样本剔除，尽可能保留结构较为完整的物体点云。

LSOOD数据集现有1056个障碍物样本，训练样本530个，测试样本526个。相较于现存的室外雷达点云分类公开数据集，LSOOD具有单个种类样本量大，点云样本质量较高，训练、测试集相对平衡等优势，易于初学者进行点云分类任务学习。不同于CAD模型生成的标准点云物体（如经典的ModelNet10/40），LSOOD数据集为LiDAR在真实场景下扫描得到，更适合应用于无人驾驶、智能机器人、遥感等多种领域。

目前LSOOD数据集包含建筑样本335，灌木223，行人83，及乔木415个。后续将公开更多的样本及分类类别。

LSOOD数据集中点云样本存储在.csv文件，每个.csv文件存储了不同的物体信息，包含了物体点云的x，y，z全局坐标（origin），物体中心为原点的局部坐标（relative），以及对象标签（object）。

LSOOD数据集可从github下载：

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

如果对实例分割的算法（快速的空间聚类）或物体标签标记工具感兴趣，具体细节请参考下述文章：

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

专辑：计算机视觉方向简介

专辑：视觉SLAM入门

专辑：最新SLAM/三维视觉论文/开源

专辑：三维视觉/SLAM公开课

专辑：深度相机原理及应用

专辑：手机双摄头技术解析与应用

专辑：相机标定

专辑：全景相机

从0到1学习SLAM，戳↓

视觉SLAM图文+视频+答疑+学习路线全规划！

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~

投稿、合作也欢迎联系：simiter@126.com

扫描关注视频号，看最新技术落地及开源方案视频秀 ↓