3D目标检测数据集 DAIR-V2X-V

本文分享国内场景3D目标检测,公开数据集 DAIR-V2X-V(也称为DAIR-V2X车端)。DAIR-V2X车端3D检测数据集是一个大规模车端多模态数据集,包括:

  • 22325帧 图像数据
  • 22325帧 点云数据
  • 2D&3D标注

基于该数据集,可以进行车端3D目标检测任务研究,例如单目3D检测点云3D检测多模态3D检测

该数据集由以下机构联合提供的,有什么问题和联系官方邮箱:Email: dair@air.tsinghua.edu.cn

清华大学智能产业研究院(AIR)

北京市高级别自动驾驶示范区

北京车网科技发展有限公司

百度Apollo

北京智源人工智能研究院

目录

一、数据采集

二、数据标注

三、下载数据集

四、标定参数解析

五、标签解析

六、数据索引信息

七、示例数据效果


一、数据采集

设备型号

Velodyne128 LiDAR

    • 采样帧率:10HZ
    • 水平FOV:360,垂直FOV:40°,-25°~15°
    • 最大探测范围:245m;探测距离精度:<=3cm;最小角分辨率(垂直):0.11°

Camera

    • 图像分辨率:1920x1080

标定和坐标系

  • 完备的车端3D感知需要获取相机和LiDAR传感器数据的相互位置和内外参数等,以建立不同传感器数据间的空间同步。
    • LiDAR坐标系
  • LiDAR坐标系是以LiDAR传感器的几何中心为原点,x 轴水平向前,y 轴水平向左,z 轴竖直向上,符合右手坐标系规则。
    • 相机坐标系
  • 相机坐标系是以相机光心为原点,x 轴和y 轴与图像平面坐标系的x 轴和y 轴平行,z 轴与相机光轴平行向前、与图像平面垂直。通过LiDAR到相机的外参矩阵,可以将点从LiDAR坐标系转到相机坐标系。
    • 图像坐标系
  • 图像坐标是以相机主点(即相机光轴与图像平面的交点,一般位于图像平面中心)为原点,x 轴 水平向右,y 轴水平向下的二维坐标系。相机内参可以实现从相机坐标到图像坐标的投影。

二、数据标注

从车端数据中选择22325帧有效图像+点云多模态数据,利用2D&3D联合标注等技术标注图像和点云多模态数据中的道路障碍物目标的2D和3D框,同时标注了障碍物类别、障碍物3D信息、遮挡和截断等信息。其中DAIR-V2X的3D标注是以LiDAR为坐标系,同时保存如下标注信息:

    • 障碍物类别:一共10类,包括行人、机动车等

    |--------|---------|------------|--------------|---------------|-------------|
    | 类型 | 小汽车 | 卡车/大货车 | 面包车/厢式货车 | 公交车/大型旅客车 | 行人 |
    | 英文 | Car | Truck | Van | Bus | Pedestrian |
    | 类型 | 自行车 | 三轮车 | 摩托车 | 手推车 | 交通锥筒 |
    | 英文 | Cyclist | Tricyclist | Motorcyclist | Barrowlist | Trafficcone |

    • 障碍物截断:从[0, 1, 2]中取值,分别表示不截断、横向截断、纵向截断
    • 障碍物遮挡:从[0, 1, 2]中取值,分别表示不遮挡、0%~50%遮挡,50%~100%遮挡
    • 2D box:图像中2D bounding box框
    • 3D box:点云上3D bounding box,车端基于LiDAR坐标系,路端基于虚拟LiDAR坐标系;包括 (height, width, length, x_loc, y_loc, z_loc, rotation),其中rotation表示障碍物绕Z轴旋转角度

三、下载数据集

来到官网下载:https://thudair.baai.ac.cn/mycount

下载后的目录如下所示

single-vehicle-side 存放calib、label、data_info.json。

single-vehicle-side-image 存放车端图像数据。

single-vehicle-side-velodyne 存放车端点云数据。

数据文件结构,如下表所示

|---------------------|------------------------------------|-----------------------------------------------|
| 数据 || 数据简介 |
| single-vehicle-side | velodyne/xxxxxx.pcd | 车端点云数据 |
| single-vehicle-side | image/xxxxxx.jpg | 车端图像数据 |
| single-vehicle-side | calib/lidar_to_camera/xxxxxx.json | 车端LiDAR到Camera的外参文件 |
| single-vehicle-side | calib/camera_intrinsic/xxxxxx.json | 车端Camera的内参文件 |
| single-vehicle-side | label/camera/xxxxxx.json | 标注文件,其中3D标注以相机时间戳为基准贴合图像中的障碍物目标、以LiDAR为坐标系 |
| single-vehicle-side | label/lidar/xxxxxx.json | 标注文件,其中3D标注以LiDAR时间戳为基准贴合点云中的障碍物目标、以LiDAR为坐标系 |
| single-vehicle-side | data_info.json | 数据索引相关信息 |

四、标定参数解析

在single-vehicle-side/calib/camera_intrinsic目录中,示例文件 000000.json

{"cam_D": [-0.382041, 0.335649, 0.000523, 0.000634, 0.0], "cam_K": [3996.487567, 0.0, 955.58618, 0.0, 3963.430994, 527.646219, 0.0, 0.0, 1.0]}

cam_D是畸变参数;cam_K是3*3的内参矩阵。

在single-vehicle-side/calib/lidar_to_camera目录中,示例文件000000.json

{"rotation": [[0.006283, -0.999979, -0.001899], [-0.005334, 0.001865, -0.999984], [0.999966, 0.006293, -0.005322]], "translation": [[-0.298036], [-0.666812], [-0.516927]]}

rotation是3*3的旋转矩阵;translation是3*1平移向量。

五、标签解析

**图像标签:**在single-vehicle-side/label/camera目录中,示例文件000000.json

[{"type": "Car", "occluded_state": 0, "truncated_state": 0, "alpha": 0.338885815438449, "2d_box": {"xmin": 0, "ymin": 527.938232, "xmax": 69.723068, "ymax": 637.4556269999999}, "3d_dimensions": {"h": 0.850836, "w": 2.073565, "l": 4.337498}, "3d_location": {"x": 32.83248, "y": 9.513366, "z": -1.261215}, "rotation": -1.615145}]

它的格式Kitti数据集基本是一致的;当然有细微差别。

{
  "type": type,                         // 障碍物类型
  "truncated_state": truncated_state,   // 障碍物截断情况:从[0, 1, 2]中取值,分别表示不截断、横向截断、纵向截断 
  "occluded_state": occluded_state,     // 障碍物遮挡情况:从[0, 1, 2]中取值,分别表示不遮挡、0%~50%遮挡,50%~100%遮挡
  "alpha": alpha,                       // 观察者视角,从[-pi, pi]中取值
  "2d_box": {                           // 图像中2D bounding box框
    "xmin": xmin, 
    "ymin": ymin, 
    "xmax": xmax, 
    "ymax": ymax
  }, 
  "3d_dimensions": {                    // 3D bounding box长宽高
    "h": height, 
    "w": width, 
    "l": length
  }, 
  "3d_location": {                      // 3D bounding box中心点坐标
    "x": x, 
    "y": y, 
    "z": z
  }, 
  "rotation": rotation              // 3D bounding box绕中心点z轴正方向为旋转轴,从y轴正方向开始旋转的角度
}

标签共有10类,如下所示。

类型 标签名称
小汽车 Car
卡车/大货车 Trunk
面包车/厢式货车 Van
公交车/大型旅客车 Bus
行人 Pedestrian
自行车 Cyclist
三轮车 Tricyclist
摩托车 Motorcyclist
手推车 Barrowlist
交通锥筒 TrafficCone

1

**点云标签:**在single-vehicle-side/label/lidar目录中,示例文件000000.json

[{"type": "Car", "occluded_state": 0, "truncated_state": 0, "alpha": 0.3092128173071816, "2d_box": {"xmin": 0, "ymin": 527.938232, "xmax": 69.723068, "ymax": 637.4556269999999}, "3d_dimensions": {"h": 2.036748, "w": 2.073565, "l": 4.252306}, "3d_location": {"x": 32.84116, "y": 9.75075, "z": -1.040589}, "rotation": -1.578873}]

camera格式和lidar格式是一致的。

六、数据索引信息

在single-vehicle-side/data_info.json文件,是记录数据索引相关信息。

[{"image_path": "image/000000.jpg", "image_timestamp": "1604988999001000", "pointcloud_path": "velodyne/000000.pcd", "point_cloud_stamp": "1604988999006000", "calib_camera_intrinsic_path": "calib/camera_intrinsic/000000.json", "calib_lidar_to_camera_path": "calib/lidar_to_camera/000000.json", "label_camera_std_path": "label/camera/000000.json", "label_lidar_std_path": "label/lidar/000000.json"},

{"image_path": "image/000001.jpg", "image_timestamp": "1604989000204000", "pointcloud_path": "velodyne/000001.pcd", "point_cloud_stamp": "1604989000206000", "calib_camera_intrinsic_path": "calib/camera_intrinsic/000001.json", "calib_lidar_to_camera_path": "calib/lidar_to_camera/000001.json", "label_camera_std_path": "label/camera/000001.json", "label_lidar_std_path": "label/lidar/000001.json"},

{"image_path": "image/000002.jpg", "image_timestamp": "1604989078801000", "pointcloud_path": "velodyne/000002.pcd", "point_cloud_stamp": "1604989078805000", "calib_camera_intrinsic_path": "calib/camera_intrinsic/000002.json", "calib_lidar_to_camera_path": "calib/lidar_to_camera/000002.json", "label_camera_std_path": "label/camera/000002.json", "label_lidar_std_path": "label/lidar/000002.json"},

对于的格式如下:

类型 字段 含义
camera image_path 图像路径
camera image_timestamp 图像时间戳
lidar pointcloud_path 点云路径
lidar pointcloud_timestamp 点云时间戳
label label_lidar_path 以点云时间戳为基准标注结果路径
label label_camera_path 以图像时间戳为基准标注结果路径
calib calib_lidar_to_camera_path LiDAR坐标系到相机坐标系参数路径
calib calib_lidar_to_novatel_path LiDAR坐标系到NovAtel坐标系参数路径
calib calib_novatel_to_world_path NovAtel坐标系到世界坐标系参数路径
calib calib_camera_intrinsic_path 相机参数路径
cooperative batch_id 数据片段编号:车端与路端共享相同的batch_id
cooperative intersection_loc 数据采集所在路口名称
cooperative batch_start_id 数据片段起始编号
cooperative batch_end_id 数据片段结束编号

七、示例数据效果

示例图像数据:

分享完毕~

相关推荐
HyperAI超神经14 小时前
突破1200°C高温性能极限!北京科技大学用机器学习合成24种耐火高熵合金,室温延展性极佳
人工智能·深度学习·机器学习·数据集·ai4s·材料学·合金
DogDaoDao1 天前
深度学习常用开源数据集介绍【持续更新】
图像处理·人工智能·深度学习·ai·数据集
新手小白勇闯新世界3 天前
论文阅读(一种基于球面投影和特征提取的岩石点云快速配准算法)
论文阅读·点云·配准·icp·特征提取
QQ_5192923288 天前
【大象数据集】大象图像识别 目标检测 机器视觉(含数据集)
目标检测·数据集·大象数据集
QQ_5192923289 天前
【水下生物数据集】 水下生物识别 深度学习 目标检测 机器视觉 yolo(含数据集)
python·目标检测·数据集·海洋生物数据集
QQ_5192923289 天前
【动植物毒性数据集】毒蛇识别 蘑菇毒性分类 人工智能 深度学习 目标检测 Python(含数据集)
深度学习·目标检测·数据集·动植物毒性数据集
Deepcong9 天前
3D点云与2D图像的相互转换:2D图像对应像素的坐标 转为3D空间的对应坐标
c++·目标跟踪·点云·2d转3d
PHP代码9 天前
entwine 和 conda环境下 使用和踩坑 详细步骤! 已解决
服务器·conda·点云
极智视界11 天前
目标检测数据集 - 新能源车车牌检测数据集下载「包含VOC、COCO、YOLO三种格式」
人工智能·yolo·目标检测·数据集·voc·coco·算法训练
Abcat_o11 天前
【241027-论文阅读】DGraph: A Large-Scale Financial Dataset for Graph Anomaly Detection
论文阅读·数据集·图神经网络