kitti数据集介绍

参考

1，一文多图搞懂KITTI数据集下载及解析

2，KITTI 原始bin数据转pcd数据

3，kitti LIDAR点云二进制文件的读取和显示

4，KITTI数据集

5，KITTI数据集的使用——雷达与相机的数据融合（讲解了坐标系转换的公式）

image_00：左侧灰度相机图像序列
image_01：右侧灰度相机图像序列
image_02：左侧彩色相机图像序列
image_03：右侧彩色相机图像序列
oxts：GPS/IMU位姿相关信息序列
velodyne_points：激光雷达数据序列 

image_00 _01 ... 文件夹下：

    

    data 图片文件

    timestamps时间戳文件

oxts文件夹下：

　 

　　数据文件

　　数据介绍

　　时间戳文件

 velodyne_points文件夹

　　

　　data： 包含有雷达扫描到的数据，点云形式，每个点以 (x,y,z,i) 格式存储，i为反射值

　　时间戳文件：start+end/2中心时间文件　　start文件　　end文件

calib文件：

calib_cam_to_cam.txt，包含各相机的标定参数

• S_xx: 1x2 矫正前xx号相机的图片尺寸
• K_xx: 3x3 矫正前xx号相机的标定参数
• D_xx: 1x5 矫正前xx号相机的畸变系数
• R_xx: 3x3 外参，xx号相机的旋转矩阵
• T_xx: 3x1 外参，xx号相机的平移矩阵
• S_rect_xx: 1x2 矫正后XX号相机的图片尺寸
• R_rect_xx: 3x3 旋转矩阵，用于矫正xx号相机，使得图像平面共面(原话是make image planes co-planar)。
• P_rect_0x: 3x4 投影矩阵，用于从矫正后的0号相机坐标系 投影到 X号相机的图像平面。

这里只用到最后两个矩阵R_rect和P_rect

calib_velo_to_cam.txt，从雷达坐标系到0号相机坐标系的转换

• R: 3x3 旋转矩阵
• T: 3x1 平移矩阵
• delta_f 和delta_c 已被弃用

由此可以得出从雷达坐标系变换到xx号相机的图像坐标系的公式：

设X为雷达坐标系中的齐次坐标，Y为对应在xx号相机的图像坐标系的齐次坐标，则

• (R|T) ：        雷达坐标系  ->  0号相机坐标系
• R_rect_00： 0号相机坐标系 -> 矫正后的0号相机坐标系
• P_rect_0x： 矫正后的0号相机坐标系  ->  x号相机的图像平面

  解读devkit

  官网提供的样例代码中 run_demoVelodyne.m 实现了将雷达点云投影到相机图像

  代码流程

  1. 从所给路径中读取标定文件，获取具体矩阵数值
  2. 根据上述公式，计算投影矩阵 P_velo_to_img，即 Y = P_velo_to_img * X
  3. 从所给路径中读取相机图片，并加载雷达的点云数据。由于只做展示用，为了加快运行速度，对于雷达点云，每隔5个点只保留1个点
  4. 移除那些距离雷达5米之内(雷达的x方向)的点 (猜测这些点落在相机和雷达之间，故不会出现在图像平面上)
  5. 作投影计算，得到投影到二维图像上的点
     6.在图像上画出投影后的点，按照深度(雷达点的x方向值)确定颜色，彩色则是暖色越近，冷色越远；灰度则是深色越近，浅色越远。