在 KITTI 数据集中利用车辆位姿真值拼接 pcd 点云并滤波，得到一个准确的点云地图

已于 2022-01-19 09:13:07 修改
阅读量2.9k 收藏 17
点赞数 3
文章标签： 自动驾驶 计算机视觉 人工智能
于 2022-01-19 09:07:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44832383/article/details/122566757
版权

在 KITTI 数据集中利用车辆位姿真值拼接 pcd 点云并滤波，得到一个准确的点云地图：

全部代码如下（C++）：

#include "stdlib.h"
#include <unistd.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/common/transforms.h>
#include <pcl/common/projection_matrix.h>

#include <pcl/point_cloud.h>

#include <pcl/filters/voxel_grid.h>
#include <pcl/filters/statistical_outlier_removal.h>

#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <fstream>
#include <cassert>
#include <string>
#include <iostream>
#include <sys/types.h>
#include <dirent.h>
#include <vector>
#include <string.h>
using namespace std;

// ubuntu 系统下读取指定目录下的所有文件名及其绝对路径
void GetFileNames(string path,vector<string>& filenames)
{
    DIR *pDir;
    struct dirent* ptr;
    if(!(pDir = opendir(path.c_str())))
        return;
    while((ptr = readdir(pDir))!=0) {
        if (strcmp(ptr->d_name, ".") != 0 && strcmp(ptr->d_name, "..") != 0)
            filenames.push_back(path + "/" + ptr->d_name);
    }
    closedir(pDir);
}

int main()
{

    pcl::PointCloud<pcl::PointXYZRGB>::Ptr allcloud (new pcl::PointCloud<pcl::PointXYZRGB>); // 创建点云（指针）

    pcl::visualization::CloudViewer viewer("viewer");  // 用来显示拼接后的点云
    vector<Eigen::Isometry3d> Trans = {Eigen::Isometry3d::Identity()};
    Eigen::Isometry3d T12 = Eigen::Isometry3d::Identity();
    /*T12(0,0) = 1  ;T12(0,1) = 0  ;T12(0,2) = 0  ;
    T12(1,0) = 0  ;T12(1,1) = 0  ;T12(1,2) = -1 ;
    T12(2,0) = 0  ;T12(2,1) = 1   ;T12(2,2) = 0  ;*/
    Eigen::Isometry3d T_out = Eigen::Isometry3d::Identity();
    //从激光到相机坐标系的外参，从 KITTI 的 Odometry 数据集中的 calib 文件夹下的 sequence_01 序列得到
    T_out(0,0)= 4.2e-04  ;T_out(0,1) =  -9.99e-01  ;T_out(0,2) = -8.08e-03  ;T_out(0,3) = -1.198e-02  ;
    T_out(1,0) = -7.21e-03  ;T_out(1,1) = 8.08e-03  ;T_out(1,2) = -9.999e-01;  T_out(1,3) = -5.40e-02  ;
    T_out(2,0) = 9.9997e-01  ;T_out(2,1) =4.8594e-04 ;T_out(2,2) = -7.20e-03 ;T_out(2,3) = -2.92e-01;

    cout<<"T12 = "<<T12.matrix()<<endl;
    //读取GroundTruth文件（车辆位姿真值文件），在 KITTI 的 Odometry 数据集中的 poses 文件夹内得到，和 01 序列对应
    ifstream fin("/home/clzx/ZhangYong/01.txt");

    vector<string> filename;
    string path = "/home/clzx/ZhangYong/rgbd";  // 存放待拼接的 pcd 点云文件的目录
    GetFileNames(path, filename);

    string feature;
    float feat_onepoint;
    vector<float>lines;
    for(int i = 0; i < filename.size(); i++)
    {
        pcl::PointCloud<pcl::PointXYZRGB>::Ptr pointcloud(new pcl::PointCloud<pcl::PointXYZRGB>);
        pcl::PointCloud<pcl::PointXYZRGB>::Ptr downcloud (new pcl::PointCloud<pcl::PointXYZRGB>);
        pcl::PointCloud<pcl::PointXYZRGB>::Ptr outcloud (new pcl::PointCloud<pcl::PointXYZRGB>);
        Eigen::Isometry3d transformation = Eigen::Isometry3d::Identity();
        Eigen::Isometry3d transformation2 = Eigen::Isometry3d::Identity();
        getline(fin,feature); //一次读取一行数据
        stringstream stringin(feature); //使用串流实现对string的输入输出操作
        lines.clear();
        while(stringin >> feat_onepoint) //按空格一次读取一个数据存入feat_onePoint
            lines.push_back(feat_onepoint); //存储每行按空格分开的数据
        //cout<<"lines = "<<lines[0]<<endl;
        for(int m=0;m<3;m++)
            for(int n=0;n<4;n++)
                transformation(m,n) = lines[m*4+n];
        cout<<"第"<<i<<"帧"<<endl;
        //cout<<" 原来的transformation = "<<transformation.matrix()<<endl;

		// 因为我的点云文件已经转换到了参考相机（00 相机）坐标系下，所以不需要再乘以 T_out（从激光坐标系到参考相机（00 相机）坐标系的外参）了，如果没有转换的则要乘以外参。
        //transformation2 = transformation*T_out;
        transformation2 = transformation;
        
        //cout<<" 转换后的transformation = "<<transformation2.matrix()<<endl;
        pcl::io::loadPCDFile<pcl::PointXYZRGB> (filename[i], *pointcloud);
        pcl::transformPointCloud( *pointcloud, *outcloud, transformation2.matrix() );
        //体素滤波
        pcl::VoxelGrid<pcl::PointXYZRGB> downSampled;  //创建滤波对象
        downSampled.setInputCloud (outcloud);            //设置需要过滤的点云给滤波对象
        downSampled.setLeafSize (0.2f,0.2f, 0.2f);  //设置滤波时创建的体素体积为1cm的立方体，三个参数表示体素栅格叶大小，分别表示体素在XYZ方向的尺寸
        downSampled.setDownsampleAllData(true); //设置是否对所有的字段进行下采样
        downSampled.filter (*downcloud);           //执行滤波处理，存储输出

        *allcloud = *allcloud + *downcloud;

        viewer.showCloud(allcloud);  // 刷新显示点云
    }
    pcl::io::savePCDFile("/home/clzx/ZhangYong/result.pcd", *allcloud); //拼接后的pcd文件保存目录
    cout<<"Final result saved."<<endl;
    while( !viewer.wasStopped() )
    {

    }
}

注意！！

1、KITTI 中的 Odometry 数据集中的 11 个序列与 KITTI 中的 raw data 数据集具有对应关系，对应关系可以参考：1、kitti数据集 Raw Data与00-10 Ground Truth的对应关系，2、KITTI 00 ~ KITTI10 下载地址，3、KITTI中的pose数据集使用

2、KITTI 的 Odometry 数据集中的 calib 文件夹内有 calib.txt 文件，

P0: 7.188560000000e+02 0.000000000000e+00 6.071928000000e+02 0.000000000000e+00 0.000000000000e+00 7.188560000000e+02 1.852157000000e+02 0.000000000000e+00 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 0.000000000000e+00
P1: 7.188560000000e+02 0.000000000000e+00 6.071928000000e+02 -3.861448000000e+02 0.000000000000e+00 7.188560000000e+02 1.852157000000e+02 0.000000000000e+00 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 0.000000000000e+00
P2: 7.188560000000e+02 0.000000000000e+00 6.071928000000e+02 4.538225000000e+01 0.000000000000e+00 7.188560000000e+02 1.852157000000e+02 -1.130887000000e-01 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 3.779761000000e-03
P3: 7.188560000000e+02 0.000000000000e+00 6.071928000000e+02 -3.372877000000e+02 0.000000000000e+00 7.188560000000e+02 1.852157000000e+02 2.369057000000e+00 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 4.915215000000e-03
Tr: 4.276802385584e-04 -9.999672484946e-01 -8.084491683471e-03 -1.198459927713e-02 -7.210626507497e-03 8.081198471645e-03 -9.999413164504e-01 -5.403984729748e-02 9.999738645903e-01 4.859485810390e-04 -7.206933692422e-03 -2.921968648686e-01

其中 0,1,2,3 代表相机的编号，0表示左边灰度相机，1右边灰度相机，2左边彩色相机，3右边彩色相机，P0、P1、P2、P3分别是四个相机的内参。Tr 表示从激光坐标系到参考相机坐标系的经过校正后的外参，参考相机坐标系就是 0 相机（左边灰度相机）坐标系。

P0 表示把激光点从参考相机坐标系投影到编号为 0 的相机采集的图像中，P1 表示把激光点从参考相机坐标系投影到编号为 0 的相机采集的图像中，P2 表示把激光点从参考相机坐标系投影到编号为 2 的相机采集的图像中，P3 表示把激光点从参考相机坐标系投影到编号为 3 的相机采集的图像中。

KITTI 的 raw 数据集中的 calib 文件夹内有 calib_velo_to_cam.txt 文件和 calib_cam_to_cam.txt 文件，
calib_velo_to_cam.txt 文件中的 R 和 T 分别代表从激光坐标系到参考相机（0相机）坐标系的旋转矩阵和平移向量，delta_f 和 delta_c 已废弃。

calib_time: 15-Mar-2012 11:45:23
R: 7.967514e-03 -9.999679e-01 -8.462264e-04 -2.771053e-03 8.241710e-04 -9.999958e-01 9.999644e-01 7.969825e-03 -2.764397e-03
T: -1.377769e-02 -5.542117e-02 -2.918589e-01
delta_f: 0.000000e+00 0.000000e+00
delta_c: 0.000000e+00 0.000000e+00

calib_cam_to_cam.txt 文件：

calib_time: 09-Jan-2012 14:00:15
corner_dist: 9.950000e-02
S_00: 1.392000e+03 5.120000e+02
K_00: 9.799200e+02 0.000000e+00 6.900000e+02 0.000000e+00 9.741183e+02 2.486443e+02 0.000000e+00 0.000000e+00 1.000000e+00
D_00: -3.745594e-01 2.049385e-01 1.110145e-03 1.379375e-03 -7.084798e-02
R_00: 1.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 1.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00 1.000000e+00
T_00: -9.251859e-17 8.326673e-17 -7.401487e-17
S_rect_00: 1.241000e+03 3.760000e+02
R_rect_00: 9.999454e-01 7.259129e-03 -7.519551e-03 -7.292213e-03 9.999638e-01 -4.381729e-03 7.487471e-03 4.436324e-03 9.999621e-01
P_rect_00: 7.188560e+02 0.000000e+00 6.071928e+02 0.000000e+00 0.000000e+00 7.188560e+02 1.852157e+02 0.000000e+00 0.000000e+00 0.000000e+00 1.000000e+00 0.000000e+00
S_01: 1.392000e+03 5.120000e+02
K_01: 9.903522e+02 0.000000e+00 7.020000e+02 0.000000e+00 9.855674e+02 2.607319e+02 0.000000e+00 0.000000e+00 1.000000e+00
D_01: -3.712084e-01 1.978723e-01 -3.709831e-05 -3.440494e-04 -6.724045e-02
R_01: 9.993440e-01 1.814887e-02 -3.134011e-02 -1.842595e-02 9.997935e-01 -8.575221e-03 3.117801e-02 9.147067e-03 9.994720e-01
T_01: -5.370000e-01 5.964270e-03 -1.274584e-02
S_rect_01: 1.241000e+03 3.760000e+02
R_rect_01: 9.996568e-01 -1.110284e-02 2.372712e-02 1.099810e-02 9.999292e-01 4.539964e-03 -2.377585e-02 -4.277453e-03 9.997082e-01
P_rect_01: 7.188560e+02 0.000000e+00 6.071928e+02 -3.861448e+02 0.000000e+00 7.188560e+02 1.852157e+02 0.000000e+00 0.000000e+00 0.000000e+00 1.000000e+00 0.000000e+00
S_02: 1.392000e+03 5.120000e+02
K_02: 9.601149e+02 0.000000e+00 6.947923e+02 0.000000e+00 9.548911e+02 2.403547e+02 0.000000e+00 0.000000e+00 1.000000e+00
D_02: -3.685917e-01 1.928022e-01 4.069233e-04 7.247536e-04 -6.276909e-02
R_02: 9.999788e-01 -5.008404e-03 -4.151018e-03 4.990516e-03 9.999783e-01 -4.308488e-03 4.172506e-03 4.287682e-03 9.999821e-01
T_02: 5.954406e-02 -7.675338e-04 3.582565e-03
S_rect_02: 1.241000e+03 3.760000e+02
R_rect_02: 9.999191e-01 1.228161e-02 -3.316013e-03 -1.228209e-02 9.999246e-01 -1.245511e-04 3.314233e-03 1.652686e-04 9.999945e-01
P_rect_02: 7.188560e+02 0.000000e+00 6.071928e+02 4.538225e+01 0.000000e+00 7.188560e+02 1.852157e+02 -1.130887e-01 0.000000e+00 0.000000e+00 1.000000e+00 3.779761e-03
S_03: 1.392000e+03 5.120000e+02
K_03: 9.049931e+02 0.000000e+00 6.957698e+02 0.000000e+00 9.004945e+02 2.389820e+02 0.000000e+00 0.000000e+00 1.000000e+00
D_03: -3.735725e-01 2.066816e-01 -6.133284e-04 -1.193269e-04 -7.600861e-02
R_03: 9.995578e-01 1.656369e-02 -2.469315e-02 -1.663353e-02 9.998582e-01 -2.625576e-03 2.464616e-02 3.035149e-03 9.996916e-01
T_03: -4.738786e-01 5.991982e-03 -3.215069e-03
S_rect_03: 1.241000e+03 3.760000e+02
R_rect_03: 9.998092e-01 -9.354781e-03 1.714961e-02 9.382303e-03 9.999548e-01 -1.525064e-03 -1.713457e-02 1.685675e-03 9.998518e-01
P_rect_03: 7.188560e+02 0.000000e+00 6.071928e+02 -3.372877e+02 0.000000e+00 7.188560e+02 1.852157e+02 2.369057e+00 0.000000e+00 0.000000e+00 1.000000e+00 4.915215e-03

如果想把雷达点云投影到 02 相机（左侧彩色相机）拍摄的图片上，需要的参数有：

  1. calib_velo_to_cam.txt 中的 R（旋转矩阵）
  2. calib_velo_to_cam.txt 中的 T（平移向量）
  3. calib_cam_to_cam.txt 中的 R_rect_00（3x3 纠正旋转矩阵（使图像平面共面，kitti特有的））
  4. calib_cam_to_cam.txt 中的 P_rect_02（02 相机内参，可以把激光点从参考相机坐标系投影到编号为 2 的相机采集的图像中）

公式：

  • RT_velo_to_cam * x ：是将 Velodyne 坐标中的点 x 投影到编号为 0 的相机（参考相机）坐标系中
  • R_rect00 *RT_velo_to_cam * x ：是将 Velodyne 坐标中的点 x 投影到编号为0的相机（参考相机）坐标系中, 再以参考相机 0 为基础进行图像共面对齐修正(这是使用KITTI数据集的进行3D投影的必要操作)
  • P_rect_00 * R_rect00 *RT_velo_to_cam * x ：是将 Velodyne 坐标中的点 x 投影到编号为0的相机（参考相机）坐标系中, 再以参考相机 0 为基础进行图像共面对齐修正, 然后投影到相机 0 的像素坐标系中. 如果将 P_rect_00 改成 P_rect_02, 就是从参考相机 0 坐标系投影到相机 2 的像素坐标系中(其他相机相对与相机0有偏移b(i)).

其中，R_rect00 * RT_velo_to_cam 的结果与 KITTI 的 Odometry 数据集中的 calib 文件夹内的 calib.txt 文件的 Tr 矩阵一模一样！！
而 P_rect_00、P_rect_01、P_rect_02、P_rect_03 也分别与 KITTI 的 Odometry 数据集中的 calib 文件夹内的 calib.txt 文件的 P0、P1、P2、P3 一模一样！！

参考文献：
1、python_kitti_激光点云变换到图像平面并保存成int16灰度图
2、KITTI数据集 激光雷达-图像坐标系转换关系
3、KITTI数据集测试 - 3 calib 相机参数

visual_odometry:在KITTI数据集上进行视觉里程计，实现了单眼2D-2D和立体声2D-3D
05-16
视觉里程表 这是在上的OpenCV 3.4实现。 方法 2D-2D单眼VO和2D-3D立体声VO 实施细节 编译 在2目录中： mkdir build cd build cmake .. make 跑步 编译后，直接在构建中单核细胞增多症 ./vo [sequence ID] [dataset directory] 立体声 ./vo [sequence ID] [max frame] [optimize frame] [dataset directory] 表现
【激光SLAM】基于已知位姿的构图算法 (Grid-based)
PuddleRubbish的博客
03-01 488
由于分辨率的设置，有可能去除小的可通行区域。可以使用自适应分辨率的地图缓解。同时，栅格地图是非参模型，也就是说由很多栅格组成（这话听起来有点奇怪hhh）。随着地图的增大，内存需求急剧增加。地图即为环境的空间模型。环境地图是机器人进行定位和规划的前提。定位可以用特征地图（视觉），规划可以用栅格地图。把环境分解成一个一个的小栅格，每个栅格有两种状态：占用(Occupied)或者空闲(free)，适合进行路径规划。
kitti深度估计数据集介绍
weixin_38252409的博客
09-04 1757
最近，我也开始做深度估计模型，该内容属于CV另一个领域，我使用depth anythingv2实现深度估计内容。然而kitti数据一直都是3d重要内容，作者收集了长达6个小时的真实交通环境，数据集由经过校正和同步的图像、雷达扫描、高精度的GPS信息和IMU加速信息等多种模态的信息组成。作者还在数据集官网提供了光流、物体检测、深度估计等多种任务的Benchmark。本篇介绍KITTI深度数据内容。
多传感器融合定位（4-基于滤波的融合方法）kitti数据集 IMU频率改为100HZ
weixin_41281151的博客
11-21 6794
多传感器融合定位（4-基于滤波的融合方法）kitti数据集 IMU频率改为100HZ 本博文参考GEYAO 大神的github 到kitti 官网下载 2011_10_03_drive_0027 的extract数据集 （原来的 sync数据集为去除相机畸变的数据集，但是IMU发布频率只有10HZ 显然不满足进行多传感器融合处理，extract的数据集为raw_data ,IMU频率为100HZ,但是没有进行相机去畸变） kitti 官网下载 2011_10_03_drive_0027 的extract
kitti点云地图拼接
sunqin的博客
04-13 4195
文章目录1. 关于kitti数据集以及坐标系2. 关于bin格式点云的存储方式3. 点云拼接 前言：这段时间在学习坐标系变换相关的知识，同时尝试了利用kitti公开点云数据集以及对应的真实位姿，拼接出全局地图，如下图所示，我采用了kitti点云数据集的00序列来测试拼接地图。下面大致记录下点云拼接过程以及基于C++和Matlab的拼接代码，备忘。 1. 关于kitti数据集以及坐标系 kitti数...
大型点云地图裁剪及定位的通用流程
lovely_yoshino的博客
01-13 1万+
最近空闲时间在看点云地图的动态加载，这部分在自动驾驶领域是非常有必要的。由于点云地图的稠密性，导致我们在大场景中没办法一次性加载所有的地图，这就需要我们将地图切分成多个子地图。
ROS C++编程：Kitti数据集处理与点云拼接
QfcaLinux的博客
09-24 288
本文介绍了如何使用ROS C++编程语言来处理Kitti数据集，并实现了数据集转换为txt格式、计算点云的法向量、裁剪点云数据以及保存点云拼接结果的步骤。在本篇文章中，我们将使用ROS C++编程语言来处理Kitti数据集，包括将数据集转换为txt格式、计算法向量、裁剪数据，并最后保存点云拼接的结果。接下来，我们设置搜索方法为Kd树，并计算点云的法向量。在上述代码中，我们加载了两个点云文件并创建了相应的PointCloud对象。然后，我们逐行读取输入文件的内容，并将其写入输出文件。在上述代码中，我们使用。
在KITTI数据集中利用GroundTruth文件拼接pcd点云并滤波
08-26
C++程序，在Ubuntu，ROS环境下拼接KITTI sequence_01数据集下的点云，其他数据集也大同小异。代码中注释详细，自己改下文自己的的文件目录就能用，方便阅读。其中预处理(文件格式转换bin转pcd)可以参考：...
KITTI数据集真值处理
03-11
本文将深入探讨如何对KITTI数据集进行真值处理，以帮助研究人员更好地理解和利用这个宝贵的资料库。 一、理解KITTI数据集 1. KITTI数据集简介：由德国卡尔斯鲁厄理工学院和斯坦福大学共同创建的KITTI（Karlsruhe ...
kitti数据集把连续几个雷达点云拼起来.zip
12-28
kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几个雷达点云拼起来 kitti数据集把连续几...
KITTI数据集轨迹真值，序列00-10
05-10
KITTI数据集轨迹真值，可用于点云拼接
python KITTI数据集激光雷达（LiDAR）点云可视化
11-16
KITTI数据集是一个广泛使用的自动驾驶和计算机视觉研究的数据集，尤其在3D目标检测、场景理解、以及点云处理等方面。本篇文章将深入探讨如何使用Python对KITTI数据集中的激光雷达（LiDAR）点云进行语义和实例分割后...
（二）一文带你了解KITTI数据集
热门推荐
m0_46556474的博客
06-15 2万+
KITTI数据集是目前国际上最为常用的自动驾驶场景下的计算机视觉算法评测数据集之一，本文将带你详细了解KITTI数据集。
PCL-1.12.1（C++）将kitti 点云Velodyne 数据集bin转化pcd并可视化
源代码杀手的博客
10-27 1360
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。
探索 KITTI 数据集：自动驾驶汽车的视觉里程计
深度学习与计算机视觉
03-31 1301
什么是 KITTI 数据集？KITTI 是由卡尔斯鲁厄理工学院和芝加哥丰田技术学院开发的自动驾驶数据集。它是计算机视觉研究中使用的图像和 LIDAR 数据的集合，例如立体视觉、光流、视觉里程计、3D 对象检测和 3D 跟踪。该数据集可在 http://www.cvlibs.net/datasets/kitti/ 免费下载。在本文中，我们将探讨 KITTI 里程计数据集的用法。KITTI 数据集是用...
【KITTI数据集Odometry序列00-10标定文件中的参数关系解读】
weixin_43389152的博客
03-27 3861
KITTI Odometry数据集是大量研究感知、salm、跟踪学者经常接触的数据集。但是对于新手来说，下载相应数据集进行坐标转换的过程中，往往会碰到对calib、pose文件中诸多矩阵不理解的情况。本人查找相关资料的时候发现，针对KITTI Odometry数据集的参数文件解释很少。因此，本人将学习使用中自己对这块的理解做如下阐述。其中，所讲之处如有错误，欢迎各位批评指正。
点云拼接-将局部扫描设备拼接到完整点云地图
DoublePower的博客
12-11 7418
点云拼接-将局部扫描设备拼接到完整点云地图 目录 一、适用场景 二、算法步骤 三、实验结果 四、结语 一、适用场景 对某一场景已经有一幅完整的点云地图，但是该场景局部发生了变化，如新增加了一个设备，于是对该设备周围进行扫描，得到一幅局部扫描点云，希望将该设备点云增加到原来的完整点云地图中。如下图所示： 红色点云是局部扫描地图，绿色点云是完整点云地图。 二、算法步骤 因为现在两幅点云的位姿有较大偏差，所以整体算法分成点云配准和点...
3D目标检测实战 | 图解KITTI数据集与数据格式
FRIGIDWINTER的博客
09-25 3751
本文详细介绍KITTI数据集的坐标系统和数据格式
使用KITTI里程计开发工具包evaluate_odometry评估ORB_SLAM2运行KITTI单目数据集结果
m0_56140527的博客
04-13 917
使用KITTI里程计开发工具包evaluate_odometry评估ORB_SLAM2运行KITTI单目数据集结果
如何利用Kitti数据集中的点云数据进行3D目标检测，并将深度信息转换为点云坐标？
最新发布
10-25
在这个实战项目中，您将学习如何结合Kitti数据集中的点云数据进行3D目标检测，并将深度信息转换为点云坐标。为了帮助您深入理解和掌握这些技术，推荐您查阅《Kitti数据集中的点云深度坐标转换方法详解》一书，它详细...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值