【KITTI数据集】Velodyne Point Cloud-激光雷达点云bin文件读取和显示-Open3D

最新推荐文章于 2025-06-03 09:05:36 发布
原创 最新推荐文章于 2025-06-03 09:05:36 发布 · 5.4k 阅读 · 52 ·
CC 4.0 BY-SA版权
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。

官方文档

0.安装

在anaconda环境下：

conda install -c open3d-admin open3d

Python环境下：

pip install open3d-python

1.点云的读取和显示

import os
import numpy as np
import struct
import open3d

def read_bin_velodyne(path):
最低0.47元/天 解锁文章

200万优质内容无限畅学
Python - 将KITTI数据集.bin文件转换为.pcd/.txt并进行可视化
.
03-31 1656
在计算机视觉和自动驾驶领域，KITTI数据集是一个备受推崇的数据集，它包含的数据可以用于许多任务，例如立体视觉、目标检测、语义分割等。然而，KITTI数据集的数据格式为二进制的.bin文件，这增加了对数据的处理难度。本篇文章介绍如何使用Python将KITTI数据集中的.bin文件转为文本格式(.pcd/.txt)，并利用开源库进行可视化。首先需要从KITTI官网下载完整的数据集。KITTI数据集激光雷达数据存储在“velodyne”的文件夹里，每个.bin文件均包含一帧点云数据。下载KITTI数据集。
Open3D中将KITTI数据集的.bin文件批量转换为.pcd点云
QsPascal的博客
09-25 369
而KITTI数据集是一个广泛应用于自动驾驶和计算机视觉领域的数据集，包含了大量的传感器数据，其中点云数据以二进制格式存储在.bin文件中。本文将介绍如何使用Open3D库对KITTI数据集中的.bin文件进行批量转换为.pcd点云的操作。最后，将点云对象保存为.pcd文件，并输出转换完成的提示信息。通过以上代码，我们可以轻松地使用Open3D库将KITTI数据集中的.bin文件批量转换为.pcd点云。指定正确的KITTI数据集中.bin文件所在的文件夹路径和转换后.pcd文件保存的文件夹路径即可。
Open3d对kitti数据集可视化
weixin_44491667的博客
10-25 7193
通过简单的配置就可以对kitti数据集进行可视化。
Open3D三维重建系统默认配置详解
gitblog_00623的博客
06-03 341
Open3D三维重建系统默认配置详解 三维重建是计算机视觉和图形学中的重要技术，能够从多视角的二维图像中恢复出三维场景。Open3D作为一个开源的三维数据处理库，提供了完整的重建系统解决方案。本文将深入解析Open3D重建系统的默认配置文件，帮助开发者理解各项参数的含义及其对重建效果的影响。 配置文件概述 Open3D的三维重建系统通过YAML格式的配置文件来管理所有参数，这些参数控制着从数据输入...
【KITTI数据集】Velodyne Point Cloud-激光雷达点云bin文件读取和显示-mayavi
Doraemon_Zzn的博客
03-07 7906
参考：http://ronny.rest/tutorials/module/pointclouds_01 点云数据的介绍 图像和点云坐标系 点云鸟瞰图生成 点云360°全视图 基于Mayavi的交互式三维可视化 基于Matplotlib的交互式三维可视化 代码 import mayavi.mlab import torch import numpy as n...
KITTI数据集data_object_velodyne中.bin文件转标准点云文件.pcd
qq_31272337的博客
10-24 1790
KITTI数据集data_object_velodyne中.bin文件转标准点云文件.pcd 最近开始学习自动驾驶领域中基于激光雷达的目标识别方向，自然而然的想到自动驾驶领域有名的数据集KITTI，想要去看一下雷达测到的数据和相机拍到的数据能不能对应上。 打开文件，好家伙，创建者为了方便把雷达测到的数据全部转成了二进制bin文件????。 在网上转了一圈，发现都是用c++或者python写的转换文件，还要附带安装一车的库（好不方便的说）。 算了，自己动手，丰衣足食。从KITTI官网查readme文档，自己写
KITTI数据集（.bin数据）转换为点云数据（.pcd文件）
cangqiongxiaoye的博客
11-11 500
KITTI数据集（.bin数据）转换为点云数据（.pcd文件）
Open3D——批量将KITTI数据集的.bin文件转换成.pcd点云格式
weixin_50547796的博客
07-31 258
随着自动驾驶、智能制造等应用的逐渐推广，在处理三维点云数据方面的需求越来越大，而KITTI数据集是一个包含激光雷达、相机、GPS等多种传感器数据的三维视觉数据集，广泛用于计算机视觉领域的研究。然而KITTI数据集中提供的激光雷达点云数据以二进制格式存储，不便于直接使用，因此将其转换为常见的.pcd格式是一项必要的工作。通过本文介绍的方法，我们可以使用Open3D库快速地对KITTI数据集中的激光雷达点云数据进行批量处理。按照上述步骤完成后，程序会将所有的.bin文件转换为.pcd格式，并保存在指定目录下。
Open3D kitti数据集bin与pcd的相互转换
纵马踏花向自由
06-25 590
KITTI 数据集是由德国卡尔斯鲁厄理工学院（KIT）和丰田美国技术研究院（Toyota Technological Institute at Chicago, TTI-C）联合发布的，主要用于自动驾驶和计算机视觉领域的研究。KITTI 数据集包含了多种传感器采集的数据，包括激光雷达点云、图像、GPS/IMU 传感器数据等。该数据集被广泛用于研究和开发三维物体检测、跟踪、立体视觉、SLAM、光流估计等任务。一、Kitti数据集简介。
3D点云目标检测Complex-YOLO（训练篇）（一）———KITTI数据集预处理与制作
“知识最大的敌人不是无知，而是错觉”
06-18 6887
KITTI dataset Download dataset KITTI 3D Object Detection Evaluation 2017 link 下载四个部分，共41.4GB 解压后为四部分内容（相机校准矩阵calib、RGB图像image_2、标签label_2、点云数据velodyne） 对应的testing和training数据。其中，training数据为7481张（图片和点云对应的场景）,testing数据 7518张（无label_2数据）。 Data Preprocess
点云算法-提取kitti路面点云
cangqiongxiaoye的博客
01-02 1902
点云算法-提取kitti路面点云
svm预测matlab代码-fruit_detection_in_LiDAR_pointClouds:使用LiDAR传感器VelodyneVL
06-04
svm预测matlab代码3D LiDAR 点云中水果检测的 Matlab 实现。 介绍 该项目是使用 LiDAR 传感器 Velodyne VLP-16（Velodyne LIDAR Inc.，San Jose，CA，USA）获取的 3D 点云中水果检测的 matlab 实现。 此实现用于评估 ，其中包含 11 棵富士苹果树的 3D LiDAR 数据以及相应的果实位置注释。 在以下位置找到更多信息： 准备 首先，克隆代码 git clone https://github.com/ GRAP-UdL-AT/fruit_detection_in_LiDAR_pointClouds.git 然后，在保存代码的同一目录中创建一个名为“data”的文件夹。 在 /data 文件夹中，保存可用的地面实况和点云数据（“AllTrees_Groundtruth”和“AllTrees_pcloud”）。 先决条件 MATLAB R2018（我们没有在其他matlab版本中测试过） 计算机视觉系统工具箱 统计和机器学习工具箱 数据准备 LFuji-air 数据集：保存在 /data 文件夹中。 交叉验证
读取.bin激光雷达点云文件格式并可视化三种的方法
12-21
申明：从KITTI官网下载到的激光雷达点云数据为.bin格式，为此找到了三种方法，现在分享出来大家一起讨论。 程序运行环境 运行测试系统：Ubuntu16.04 运行环境：python3.6 方法一：使用numpy库读取.bin数据并使用mayavi.mlab来可视化点云数据 1、安装通过下属命令安装依赖库 pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple pip install mayavi -i https://pypi.tuna.tsinghua.edu.cn/simple 2、通过以下代码读取.bin文件并可视
ittik：尝试从KITTI数据集中获取原始Velodyne传感器读数
02-08
Ittik ITTIK（我想让我的小猫迷）是通过还原Velodyne校准，从KITTI数据集的稀疏点云中获取原始的稠密Velodyne传感器读数的尝试。 此密集数据可能用作卷积神经网络的输入，以进行对象检测，语义分割等。它也可能用于诸如SLAM的几何处理，因为它允许更精确的定时和激光雷达投影。 下图显示了当前状态。 左侧是一小片原始KITTI点云的投影，右侧是恢复校准后的同一块： 显然，左侧更易于离散化并在标准卷积网络中使用。 下一步是还原大多数KITTI基准测试中使用的运动校正。 该代码不那么可读（很抱歉...），并且使用了某些c ++ 20功能（我将GCC 8.3.0与-std=c++2a ）。
kitti-velodyne-viewer:查看带有边界框标签的kitti激光雷达点云
05-19
kitti-velodyne-viewer 用单个文件查看带有边界框标签的kitti激光雷达点云。 要求 该代码需要和python 3.x 数据集 下载KITTI 3D对象检测数据并组织文件夹，如下所示： dataset/KITTI/object/ velodyne/ training/ 000003.bin testing/ calib/ training/ 000003.txt testing/ label/ training/ 000003.txt testing/
python KITTI数据集激光雷达（LiDAR）点云可视化
11-16
根据语义或实例分割的结果可视化KITTI数据集点云，为不同类别或不同的实例赋予不同的颜色，适合论文作图
kitti数据集仅velodyne数据转rosbag
哟哟哟哟哟哟
05-19 1115
转载自https://www.freesion.com/article/2038253987/ 最近做3D激光雷达，于是在kitti上下了个80g的数据集，发现.bin不会用，想转成rosbag，发现官方推荐的工具似乎还要把相机数据一起下载下来。。 搞了半天，后来找到一个很好的工具：https://github.com/AbnerCSZ/lidar2rosbag_KITTI 似乎是某阿里员工写的。 安装： $ cd ~/catkin_ws/src/ $ git clone git@github.
【open3d】显示kitti 点云数据和bbox
qq_35632833的博客
06-16 3936
文章目录1 代码2 结果 1 代码 #!/usr/bin/env python #!coding=utf-8 import numpy as np import pickle import open3d import time f2 = open('/home/seivl/kitti_test_open3d/5411.pkl','rb') data2 = pickle.load(f2) def rotz(t): """Rotation about the z-axis.""" c = n
Kitti Odometry .bin点云文件转pcd
tuyim7124的博客
03-17 3289
最近在研究Kitti Odometry数据集，要做的一个事情是把velodyne中的.bin点云文件转成pcd并可视化。 本博客介绍用ROS pcl实现以上转换。 （备注：这里需要用到pcl_ros这个包，之前配置的ROS不知道为啥缺少了这个包，导致之后编译的时候一直报错，提示找不到pcl_rosConfig.cmake pcl_ros-config.cmake，之后卸载了ROS又重新安装了一...
用ICP处理kitti数据集的代码和文件目录
最新发布
06-27
<think>我们正在处理关于KITTI数据集和ICP算法的问题。用户想要查找使用ICP算法处理KITTI数据集的代码及相应的文件目录结构。根据提供的引用，我们可以得知：-引用[3]提到：使用ICP算法配准连续的帧来获取基础事实（groundtruth）。-引用[4]展示了如何使用OpenCV处理KITTI数据集中的点云，并加载.bin文件。-引用[5]提到了KITTI数据集的坐标系问题，指出odometry数据集的groundtruth是以0号相机为坐标系，而不是Velodyne坐标系。因此，我们可以推断，使用ICP算法处理KITTI数据集通常用于里程计（odometry）任务，即估计车辆的运动轨迹。常见的做法是：1.读取KITTIodometry数据集中的点云序列（.bin文件）。2.使用ICP算法对相邻两帧点云进行配准，得到变换矩阵。3.累计变换矩阵，得到轨迹。文件目录结构通常如下：```kitti_odometry/└──dataset/└──sequences/├──00/#序列00│├──image_0/#左目灰度图像（未使用）│├──image_1/#右目灰度图像（未使用）│├──image_2/#左目彩色图像（未使用）│├──image_3/#右目彩色图像（未使用）│├──calib.txt#标定参数│├──times.txt#时间戳│└──velodyne/#点云数据（.bin文件）│├──000000.bin│├──000001.bin│└──...├──01/└──...└──poses/├──00.txt#真实轨迹（groundtruthposes）├──01.txt└──...```ICP算法的代码实现可以使用常见的点云库，如Open3D,PCL,或者使用numpy自己实现。下面是一个使用Open3D实现ICP算法处理KITTI点云数据的示例代码：```pythonimportopen3daso3dimportnumpyasnpimportosdefload_kitti_point_cloud(file_path):#从KITTI的.bin文件加载点云points=np.fromfile(file_path,dtype=np.float32).reshape(-1,4)#只取前3列（x,y,z），忽略反射率points=points[:,:3]pcd=o3d.geometry.PointCloud()pcd.points=o3d.utility.Vector3dVector(points)returnpcddeficp_registration(source,target,threshold=0.2,max_iteration=100):#执行ICP配准trans_init=np.identity(4)#初始变换矩阵（单位矩阵）reg_p2p=o3d.pipelines.registration.registration_icp(source,target,threshold,trans_init,o3d.pipelines.registration.TransformationEstimationPointToPoint(),o3d.pipelines.registration.ICPConvergenceCriteria(max_iteration=max_iteration))returnreg_p2p.transformation#设置路径sequence_path="kitti_odometry/dataset/sequences/00/velodyne/"file_list=sorted(os.listdir(sequence_path))#初始化轨迹（4x4变换矩阵列表）trajectory=[np.identity(4)]#逐帧处理foriinrange(1,len(file_list)):#加载当前帧（target）和上一帧（source）source=load_kitti_point_cloud(os.path.join(sequence_path,file_list[i-1]))target=load_kitti_point_cloud(os.path.join(sequence_path,file_list[i]))#执行ICPtransformation=icp_registration(source,target)#累积变换：当前帧相对于第一帧的变换trajectory.append(np.dot(trajectory[i-1],transformation))#保存轨迹（格式：每行12个数字，表示3x4的变换矩阵的前3行（即旋转矩阵和平移向量））#注意：KITTI的groundtruth轨迹文件格式是：每行12个数字（3x4矩阵按行展开）#但我们的轨迹是4x4矩阵，所以需要转换为3x4（去掉最后一行[0,0,0,1]）并展开withopen("trajectory_icp.txt","w")asf:forposeintrajectory:#取前3行，然后按行展开pose_3x4=pose[:3,:].flatten()line="".join([str(x)forxinpose_3x4])f.write(line+"\n")```注意：-上述代码使用Open3D的ICP算法（point-to-point）进行配准。-实际应用中，可能需要预处理（如下采样、去除离群点）以提高精度和速度。-KITTI的groundtruth轨迹文件格式是每行12个数字（3x4变换矩阵按行展开），因此我们也按照同样格式保存。关于文件目录结构，用户需要先下载KITTIOdometry数据集，并按照上述结构存放。此外，由于KITTI数据集中的点云是Velodyne坐标系，而groundtruth轨迹是相机0坐标系，因此如果需要与groundtruth比较，还需要进行坐标系转换（引用[5]提到）。但ICP算法直接在点云上操作，我们通常使用Velodyne坐标系的点云，所以生成的轨迹也是Velodyne坐标系。如果与groundtruth比较，需要将groundtruth转换到Velodyne坐标系，或者将我们的轨迹转换到相机0坐标系。这需要用到标定文件中的外参矩阵。在KITTI数据集的每个序列中，有一个`calib.txt`文件，其中包含了相机和激光雷达之间的外参矩阵。具体来说，`Tr`（或`Tr_velo_to_cam`）是一个3x4矩阵，表示从Velodyne坐标系到相机0坐标系的变换。因此，如果要将我们的轨迹（Velodyne坐标系）转换到相机0坐标系，可以使用：$$T_{cam}=T_{velo\_to\_cam}\timesT_{traj}\timesT_{velo\_to\_cam}^{-1}$$但实际上，对于位姿链，我们需要将每个位姿转换为相机坐标系：$$P_{cam}=T_{velo\_to\_cam}\timesP_{velo}\timesT_{velo\_to\_cam}^{-1}$$但更常见的做法是：将每个位姿变换应用到相机坐标系时，需要将整个轨迹转换。不过，如果只是评估轨迹精度，通常将groundtruth轨迹和估计轨迹都转换到同一个坐标系（比如都转换到Velodyne坐标系）进行比较。KITTI提供的groundtruth轨迹是相机0坐标系的，我们可以用标定矩阵将其转换到Velodyne坐标系。由于用户问题主要关注ICP代码和目录结构，这里不再展开。最后，生成相关问题：1.如何评估使用ICP算法在KITTI数据集上得到的轨迹精度？2.除了ICP，KITTI里程计任务中还有哪些常用的点云配准算法？3.如何处理KITTI数据集中点云配准时的动态物体干扰？</think>### 使用ICP算法处理KITTI数据集的实现方案 #### 文件目录结构 典型的KITTI数据集处理项目目录结构如下： ``` kitti_icp/ ├── data/ │ ├── sequences/ # KITTI原始数据集 │ │ ├── 00/ │ │ │ ├── calib.txt # 传感器标定参数 │ │ │ └── velodyne/ # 点云数据(.bin文件) │ │ │ ├── 000000.bin │ │ │ ├── 000001.bin │ │ │ └── ... │ │ ├── 01/ │ │ └── ... │ └── poses/ # 真实轨迹数据 │ ├── 00.txt │ └── ... ├── src/ │ ├── icp_registration.py # ICP算法核心实现 │ ├── utils.py # 数据处理工具 │ └── visualize.py # 结果可视化 ├── results/ # 输出结果 │ ├── trajectory_icp.txt # ICP估计的轨迹 │ └── error_analysis.csv └── requirements.txt # 依赖库 ``` #### ICP算法核心代码实现 ```python import numpy as np import open3d as o3d def load_kitti_point_cloud(bin_path): """加载KITTI点云数据(.bin文件)""" points = np.fromfile(bin_path, dtype=np.float32).reshape(-1, 4) return points[:, :3] # 只取xyz坐标，忽略反射强度 def preprocess_point_cloud(pcd, voxel_size=0.2): """点云预处理：降采样和特征提取""" pcd_down = pcd.voxel_down_sample(voxel_size) pcd_down.estimate_normals( o3d.geometry.KDTreeSearchParamHybrid(radius=0.5, max_nn=50)) return pcd_down def pairwise_registration(source, target): """执行ICP点云配准""" icp_result = o3d.pipelines.registration.registration_icp( source, target, max_correspondence_distance=0.5, estimation_method=o3d.pipelines.registration.TransformationEstimationPointToPlane(), criteria=o3d.pipelines.registration.ICPConvergenceCriteria(max_iteration=100) ) return icp_result.transformation def process_sequence(sequence_path): """处理整个点云序列""" poses = [np.eye(4)] # 初始化位姿列表(第一帧为单位矩阵) file_list = sorted(os.listdir(os.path.join(sequence_path, "velodyne"))) prev_pcd = None for i, filename in enumerate(file_list): bin_path = os.path.join(sequence_path, "velodyne", filename) points = load_kitti_point_cloud(bin_path) current_pcd = o3d.geometry.PointCloud() current_pcd.points = o3d.utility.Vector3dVector(points) if i > 0: # 点云预处理 source = preprocess_point_cloud(prev_pcd) target = preprocess_point_cloud(current_pcd) # ICP配准 transformation = pairwise_registration(source, target) # 累积变换 poses.append(poses[-1] @ transformation) else: poses.append(np.eye(4)) # 第一帧 prev_pcd = current_pcd return poses # 示例用法 if __name__ == "__main__": sequence_path = "data/sequences/00" trajectory = process_sequence(sequence_path) np.savetxt("results/trajectory_icp.txt", [pose[:3, :].flatten() for pose in trajectory]) # 保存为KITTI格式 ``` #### 关键说明： 1. **数据加载**： - KITTI点云数据以二进制格式(.bin)存储，每个点包含4个浮点数(x,y,z,反射强度) - 标定文件`calib.txt`包含传感器之间的转换关系，ICP中主要使用`Tr_velo_to_cam`(激光雷达到相机的变换矩阵)[^5] 2. **ICP处理流程**： - 点云降采样：使用体素网格减少点数 - 法线估计：计算点云表面法线用于点对面ICP - 迭代最近点配准：通过最小化点到平面距离优化变换矩阵 - 轨迹累积：将相对变换累积为全局轨迹 3. **坐标系处理**： - KITTI的真实轨迹以0号相机坐标系为参考[^5] - 结果保存为KITTI标准格式：每行12个值(3×4变换矩阵按行展开) 4. **性能优化**： - 使用KD-tree加速最近邻搜索 - 多尺度ICP策略(先粗配准再精配准) - 并行处理连续帧对 #### 注意事项： 1. 点云配准前需检查坐标系一致性，必要时用`calib.txt`中的`Tr_velo_to_cam`进行坐标系转换[^5] 2. 对于遮挡区域(occluded)和被截断区域(truncated)，需进行特殊处理[^3] 3. 动态物体会影响配准精度，建议先进行背景分割
评论 12
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