点云数据格式数据集笔记

﹏ヽ暗。殇╰゛Y 2022-08-30 00:56 512阅读 0赞

**目录**

点云标注工具：

数据格式：

pcd格式：

ply格式

las格式

off格式

obj格式

pwn格式

数据集

自动驾驶数据pandaset

室外驾驶SemanticKITTI

S3DIS 室内分割

Semantic3D

### 点云标注工具： ###

[https://github.com/jbehley/point\_labeler][https_github.com_jbehley_point_labeler]

## 数据格式： ##

### pcd格式： ###

python可以读

open3d读取点云

注意，meshlab不能直接查看pcd格式，需要转为ply格式。

o3d.io.write_point_cloud('003.ply',pcd1)

if __name__ == '__main__':
        import numpy as np
        # las2pcd()
    
        import open3d as o3d
    
        pcd1 = o3d.io.read_point_cloud(r'point3.txt',format='xyz')
    
        o3d.io.write_point_cloud("filename.pcd", pcd1)
    
        # mesh = open3d.io.triange_mesh(mesh_file_path)
        # o3d.io.w("filename.ply", pcd1)
        o3d.io.write_point_cloud('003.ply',pcd1)
    
    
        # pcd1 = o3d.io.read_point_cloud(r'F:\biadu_down\las-20200813-110417_1\data-20200813-110417_1.las')
        pcd1.paint_uniform_color([0, 255, 0])
    
        o3d.visualization.draw_geometries([pcd1])

### ply格式 ###

meshlab可以直接查看。

PLY：多边形文件格式（polygon file format），用来存储以许多多边形形式描述的图形物体。

### las格式 ###

meshlab不能查看，cloudcompare可以看。

c++ las转pcd

[https://blog.csdn.net/jacke121/article/details/118883648][https_blog.csdn.net_jacke121_article_details_118883648]

### off格式 ###

OFF
    　　顶点数 面片数 边数
    　　x y z
    　　x y z
    　　...
    　　n个顶点 顶点1的索引 顶点2的索引 … 顶点n的索引
    　　...

off格式举例：

OFF
    8 12 0
    -0.274878 -0.274878 -0.274878
    -0.274878  0.274878 -0.274878
     0.274878  0.274878 -0.274878
     0.274878 -0.274878 -0.274878
    -0.274878 -0.274878  0.274878
    -0.274878  0.274878  0.274878
     0.274878  0.274878  0.274878
     0.274878 -0.274878  0.274878
    3  0 1 3
    3  3 1 2
    3  0 4 1
    3  1 4 5
    3  3 2 7
    3  7 2 6
    3  4 0 3
    3  7 4 3
    3  6 4 7
    3  6 5 4
    3  1 5 6
    3  2 1 6

### obj格式 ###

首先一个字符串，字符串后面空格，再加相应的数据，每行都是如此

可参见[OBJ格式模型详细介绍][OBJ]

v 顶点
        vt 纹理坐标
        vn 顶点法向量
        f  面

### pwn格式 ###

第一行是顶点数，后面接每个点的坐标，按每个点的坐标顺序接每个点的法向量

顶点数
    每个点的坐标
    每个点的法向量

###  ###

## 数据集 ##

### 自动驾驶数据[pandaset][] ###

[https://scale.com/resources/download/pandaset][pandaset]

### 室外驾驶SemanticKITTI ###

[http://semantic-kitti.org/dataset.html\#download][http_semantic-kitti.org_dataset.html_download]

迅雷种子：

[https://hyper.ai/datasets/13408][https_hyper.ai_datasets_13408]

百度网盘：

链接：[https://pan.baidu.com/s/1-4WchJlcZ2guwcfbHqrdFw][https_pan.baidu.com_s_1-4WchJlcZ2guwcfbHqrdFw]  
提取码：grys

### S3DIS 室内分割 ###

[https://docs.google.com/forms/d/e/1FAIpQLScDimvNMCGhy\_rmBA2gHfDu3naktRm6A8BPwAWWDv-Uhm6Shw/viewform?c=0&w=1][https_docs.google.com_forms_d_e_1FAIpQLScDimvNMCGhy_rmBA2gHfDu3naktRm6A8BPwAWWDv-Uhm6Shw_viewform_c_0_w_1]

### Semantic3D ###

[http://www.semantic3d.net/view\_dbase.php?chl=1][http_www.semantic3d.net_view_dbase.php_chl_1]

[Semantic KITTI dataset][http_semantic-kitti.org_dataset.html_download], and preprocess the data:

[http://semantic-kitti.org/dataset.html\#download][http_semantic-kitti.org_dataset.html_download]

国内数据集下载：

文件列表：  
http://www.functionweb.tk/?/kitti/

如果遭遇下载失败的情况请访问  
https://blog.csdn.net/weixin\_43599336/article/details/87801040

原始图片地址(申请界面):http://www.cvlibs.net/download.php?file=data\_object\_image\_2.zip  
原始标签地址(申请界面):http://www.cvlibs.net/download.php?file=data\_object\_labels\_2.zip  
————————————————  
版权声明：本文为CSDN博主「Bend\_Function」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/weixin\_43599336/article/details/86533572

IoU:   
car:           93.07  
bicycle:       16.70  
motorcycle:    20.64  
truck:         67.74  
other-vehicle: 41.46  
person:        48.79  
bicyclist:     65.74  
motorcyclist:   0.00  
road:          91.44  
parking:       42.21  
sidewalk:      76.50  
other-ground:   6.15  
building:      85.55  
fence:         38.86  
vegetation:    84.19  
trunk:         58.49  
terrain:       73.63  
pole:          51.63  
traffic-sign:  36.05

汽车：93.07

自行车：16.70

摩托车：20.64

卡车：67.74

其他车辆：41.46

人数：48.79

骑自行车者：65.74

摩托车手：0.00

道路：91.44

停车场：42.21

人行道：76.50

其他地面：6.15

建筑：85.55

围栏：38.86

植被：84.19

行李箱：58.49

地形：73.63

杆：51.63

交通标志：36.05

并在ScanNet和ShapeNet基准数据集

[https_github.com_jbehley_point_labeler]: https://github.com/jbehley/point_labeler
[https_blog.csdn.net_jacke121_article_details_118883648]: https://blog.csdn.net/jacke121/article/details/118883648
[OBJ]: https://link.zhihu.com/?target=https%3A//blog.csdn.net/xyh930929/article/details/82260581
[pandaset]: https://scale.com/resources/download/pandaset
[http_semantic-kitti.org_dataset.html_download]: http://semantic-kitti.org/dataset.html#download
[https_hyper.ai_datasets_13408]: https://hyper.ai/datasets/13408
[https_pan.baidu.com_s_1-4WchJlcZ2guwcfbHqrdFw]: https://pan.baidu.com/s/1-4WchJlcZ2guwcfbHqrdFw
[https_docs.google.com_forms_d_e_1FAIpQLScDimvNMCGhy_rmBA2gHfDu3naktRm6A8BPwAWWDv-Uhm6Shw_viewform_c_0_w_1]: https://docs.google.com/forms/d/e/1FAIpQLScDimvNMCGhy_rmBA2gHfDu3naktRm6A8BPwAWWDv-Uhm6Shw/viewform?c=0&w=1
[http_www.semantic3d.net_view_dbase.php_chl_1]: http://www.semantic3d.net/view_dbase.php?chl=1