点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
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
本文仅做学术分享，如有侵权，请联系删文。
下载1
在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~
