KITTI数据集介绍

KITTI数据集原论文1
KITTI数据集原论文2

硬件设施

---

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。

汽车：Volkswagen Passat B6，已对踏板（加速和制动）和方向盘的执行器进行了改装。
使用配备RAID系统，运行Ubuntu Linux和实时数据库的八核i7计算机记录数据。我们使用以下传感器：
1惯性导航系统（GPS / IMU）：OXTS RT 3003
1台激光扫描仪：Velodyne HDL-64E
2台1.4百万像素的灰度相机：Point Grey Flea 2（FL2-14S3M-C）
2台彩色摄像头，1.4百万像素：Point Grey Flea 2（FL2-14S3C-C）
4个变焦镜头，4-8毫米：Edmund Optics NT59-917

激光扫描仪以每秒10帧的速度旋转，每个周期捕获大约100k点。激光扫描仪的垂直分辨率为64。
摄像头安装在与地面大致水平的位置。使用libdc的格式7模式将相机图像裁剪为1382 x 512像素的大小。校正后，图像会变小。
激光扫描仪（面向前方）以每秒10帧的速度触发摄像机，并动态调整快门时间（最大快门时间：2 ms）。

---

激光雷达扫描频率为10帧/s，相机基本上和地平面保持水平。
相机的采集频率也保持在10HZ，并且在激光雷达朝向正前方时释放快门。
图像采集尺寸被裁减为1382x512像素，在经过校正后，图像可能会进一步变小。

传感器的坐标系定义

（上下左右以驾驶员为基准）

下图说明了我们针对车辆的传感器设置。请注意，有关校准参数的更多信息在校准文件和开发套件中提供（请参阅原始数据部分）。

相机：x轴——向右，y轴——向下，z轴——向前；
激光雷达：x轴——向前，y轴——向左，z轴——向上；
组合导航：同激光雷达。
注： 此处坐标系的定义对后续数据的可视化和分析，以及标定矩阵的理解和使用至关重要，需要熟悉。

根据用途划分

 stereo、flow、sceneflow、depth、odometry、object、tracking、road、semantics和raw data
	不同部分的数据包含不同的人为标注的真值数据，但其实针对不同用途的数据也基本上是从raw data数据中分离出来的。
	介绍一下object和tracking数据的组织方式。

1、object数据集

	主要用于验证无人驾驶中有关目标检测算法而设置的数据集，该数据集包含“2D Object Detection”、“3D Object Detection”和“Bird’s Eye View”三部分数据，分别用于验证2D图像检测框、3D图像或者激光雷达包围盒和鸟瞰图检测算法的优劣。
	该部分数据可以针对你所开发检测算法的具体需求，选择下载图像或者雷达等数据，每个数据下载解压之后都包含training和testing两个文件夹，分别用于检测算法中作为训练数据和测试数据，其中训练数据包含有标注文件。
      需要注意的是对于object数据集，其数据并不是严格连续采集的数据，即都是单帧结果，只用于检测算法使用。

2、tracking数据集

主要用于验证无人驾驶中有关目标跟踪算法而设置的数据集，其数据组织方式与object数据集类似，最大的区别在于tracking数据集每个数据序列是连续的。