最新开源LiDAR数据集LSOOD：四种常见的室外物体分类
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
欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。
论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。
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
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享