激光点云规范，实时激光点云

推荐:使用NSDT编辑器快速构建可编程的3D场景。

在三维城市点云分析领域，有很多方法，包括半自动和自动方法。尽管这一领域显示出巨大的潜力，但是对于最佳的检测、分割和分类方法还没有一致的意见。为了鼓励创新，我们收集了激光雷达数据集供每个人访问，旨在刺激检测、分割和分类的新方法。您可以使用在线工具NSDT 3DConvert预览PCD、XYZ、PLY和其他格式的3D激光点云。这台机器不需要安装任何软件:

https://3d convert . nsdt . cloud

1.WHU-TLS点云数据集武汉大学空情报研究所与慕尼黑工业大学、芬兰地理空研究所、挪威科技大学、代尔夫特理工大学合作，发布了全球最大、最多样化的TLS(地面激光扫描)点云配准基准数据集。这个公布的WHU-TLS基准数据集包括11个不同的环境，包括地铁站、高铁站、山脉、森林、公园、校园、居民区、河岸、文化遗产建筑、地下矿山和隧道。它包括115个扫描站，17.4亿个三维点和对应的点云之间的真实变换矩阵。

图1 WHU-TLS数据集

此外，基准数据集还为铁路安全运营、河流测量和管理、森林结构评估、文化遗产保护、滑坡监测和地下资产管理等各种应用提供了有价值的数据。WHU-TLS数据集以其多样的场景和海量的数据量为TLS数据配准算法和应用的开发和评估提供了重要的资源。

2.奥克兰3D点云数据集奥克兰3D点云数据集是使用Navlab11和侧视LMS(激光测量系统)激光扫描仪收集的。数据收集是在宾夕法尼亚州匹兹堡奥克兰的芝加哥大学校园进行的。数据集以ASCII格式提供，包括X、Y、Z坐标和标签置信度，每个点用单独的线和作为分隔符的空 grid表示。另外，对应的VRML文件(。wrl)和标签计数文件(。统计数据)。

数据集由两个子集组成，即第2部分和第3部分，每个子集都有自己的本地参考系统。子集中的每个文件包含100，000个3D点。为了提高数据质量，对数据集进行了过滤，以用于培训/验证和测试目的。此外，为了便于使用和分析，原来的44个标记被重新映射为5个标记。

完成

火车

确认

试验

统计数字

17个文件，160万个3D点和44个标签。

1个文件，36，932个3D点，5个标签

1个文件，91，579个3D点，5个标签

15个文件，130万个3D点，5个标签

3.Paris-rue-madam点云数据集Paris-rue-madam点云数据集来自巴黎迷人的街道，提供详细的3D移动激光扫描仪数据。该综合数据集通过人工标注得到增强，支持城市检测、分割和分类方法。

数据集包含两个PLY文件，每个文件包含1000万个点。每个文件包含一个点列表(x，y，z，反射，标签，类)。x、y和z坐标对应于Lambert 93和IGN1969 (grid RAF09)参考坐标系中的地理参考坐标(e，n，u)。“反射”参数表示激光强度，“标签”表示分割后得到的物体标签，“类别”表示物体类别。

图3。gt _ madam 1 _ 2的快照。根据Z坐标值、反射率、对象标签和对象类别对层点云进行着色。

4.IQmulus和TerraMobilita点云数据集IQmulus和TerraMobilita点云数据集提供了广泛的竞争数据集，包括3亿个3D点。这些经过人工标注和智能分类的丰富数据，是三维点云分析中语义理解的基石。

所有坐标都对应于Lambert 93和IGN1969 (grid RAF09)参考系统中的地理参考坐标(e，n，u)。反射率代表激光强度。从XY坐标中减去偏移量以提高数据精度。每个文件都包含以下属性:

(float32) X，y，Z:Z:Lambert 93系统中的笛卡尔地理参考坐标。(float32) X，y，z:原始坐标。(float32)反射率:根据距离修正的反向散射强度。(uint8) Num_echo:回声数量(处理多个回声)。每个参与者提供的每个加工文件必须包含与PLY文件顺序相同的原始点，并具有以下两个附加属性:

(uint32) Id:每个分段对象的唯一标识符/标签。(uint32) class:使用语义类标签对每个分割对象进行分类的结果。具有相同ID的点必须具有相同的类。由于数据集中的每个点都包含一个ID和一个类，因此计算将逐点进行。

图4。数据库中的可用类

5.华盛顿点云数据集华盛顿点云数据集揭示了华盛顿特区的秘密，为公众提供了对分类点云数据的访问，并邀请人们探索这一地区的地理特征，以实现不同的应用:

第1类:已处理但未分类第2类:裸土第7类:低噪音第9类:水第10类:被忽视的土地第11类:保留地第17类:桥面第18类:高噪音研究人员、专业人士和公众可以使用该数据集获得与哥伦比亚特区的地理特征和特性相关的见解和信息。点云数据及其分类可用于城市规划、环境评估和基础设施管理中的各种地理空 inter分析和应用。

6.Semantic3D点云数据集Semantic3D在深度语义分割评测中表现出色，包含超过40亿个标记点。其动态城市场景使研究人员和从业人员能够有效地基准分割算法。

图5。语义三维点云数据集

该数据集是为3D场景中的语义分割评估而创建的。在此框架内，Semantic3D提供了以下功能:

包含超过40亿个标记点的大量点云数据集。专业评估师手工标注的真实标签。一个通用的评估工具，包括已建立的互相关指标和综合混淆矩阵。研究人员和从业人员可以使用Semantic3D来评估和测试复杂多样的3D场景中语义分割算法的性能。该数据集的大规模和高质量标注使其成为促进3D点云处理和语义理解的宝贵资源。

7.巴黎-里尔-3D点云数据集巴黎-里尔-3D点云数据集是分类算法的详细基准，显示了巴黎和里尔的激光扫描数据。手工仔细标注50个类别，刺激了自动点云分析的进步。

(float) x，y，z:点的位置。(float) x _ origin，y _ origin，z _ origin:激光雷达的位置。(double) GPS_time:获取点云的时间。(uint8)反射率:点的反射率。(uint32)标签:点所属的标签。(uint32) class:点所属的类别。研究人员可以使用Paris-Lille-3D数据集来评估和比较他们的点云分类算法的性能。各种手工标记数据的可用性使其成为促进3D场景中点云分析和语义理解领域的宝贵资源。

图6。6的例子。巴黎小型3D数据集

8.都柏林城市点云数据集都柏林城市点云数据集对都柏林市中心进行了深度探索，捕获了14亿个点云，并对其进行了13类3级的标记。都柏林城市是城市建模和语义理解的宝贵资源，促进了复杂城市环境的研究。

数据集被标记为跨越3个级别的13个类(如图7a所示):

图7。标签的层次顺序

第1级:这一级包括四个类别的粗略标签:(a)建筑物，(b)地面，(c)植被和(d)未定义。建筑物代表可居住的城市结构的形状，如房屋、办公室、学校和图书馆。地面主要由地形高度上的点组成。植被类别包括所有类型的植物。最后，未定义点包括城市元素中可能存在的不太理想点，如垃圾桶、装饰雕塑、汽车、长椅、灯柱、邮箱、非静态物体等。约10%的点标记为“未定义”，主要代表河流、铁路、建筑工地上的点。层次2:在这个层次中，层次1的三个类别被进一步分类。建筑标注为屋顶和外墙；植被分为不同类型的植物，如乔木和灌木；地面点分为街道、人行道和草地。第3层:此层包括屋顶上的任何类型的门窗(如天窗和屋顶窗)和外墙。