3D目标检测跟踪 | 基于kitti+waymo数据集的自动驾驶场景的3D目标检测+跟踪渲染可视化

  • 项目应用场景
    • 面向自动驾驶场景的 3D 目标检测+目标跟踪,基于kitti+waymo数据集的自动驾驶场景的3D目标检测+跟踪渲染可视化查看。
  • 项目效果
  • 项目细节 ==> 具体参见项目 README.md
    • (1) Kitti detection 数据集结构
bash 复制代码
# For Kitti Detection Dataset         
└── kitti_detection
       ├── testing 
       |      ├──calib
       |      ├──image_2
       |      ├──label_2
       |      └──velodyne      
       └── training
              ├──calib
              ├──image_2
              ├──label_2
              └──velodyne 
    • (2) Kitti tracking 数据集结构
bash 复制代码
# For Kitti Tracking Dataset         
└── kitti_tracking
       ├── testing 
       |      ├──calib
       |      |    ├──0000.txt
       |      |    ├──....txt
       |      |    └──0028.txt
       |      ├──image_02
       |      |    ├──0000
       |      |    ├──....
       |      |    └──0028
       |      ├──label_02
       |      |    ├──0000.txt
       |      |    ├──....txt
       |      |    └──0028.txt
       |      └──velodyne
       |           ├──0000
       |           ├──....
       |           └──0028      
       └── training # the structure is same as testing set
              ├──calib
              ├──image_02
              ├──label_02
              └──velodyne 
    • (3) 安装依赖
bash 复制代码
pip install python3 \
            numpy==1.21.3 \
            vedo==2021.0.6 \
            vtk==9.0.3 \
            opencv==4.5.4.58 \
            matplotlib==3.4.3
    • (4) 执行示例

      from viewer.viewer import Viewer
      import numpy as np

      vi = Viewer() # set box_type='OpenPCDet' if you use OpenPCDet boxes
      len_dataset = 1000

      for i in range(len_dataset):
      pseudo_boxes = np.array([[i0.05, -1, 1, 1, 1, 1, 0], [i0.05, 1, 1, 1, 1, 1, 0]]) # your boxes
      ids = np.array([0,1]) # your boxes ids (optional)

      复制代码
      pseudo_points = np.random.randn(100, 3) # your points
      
      vi.add_points(pseudo_points, radius=4, scatter_filed=pseudo_points[:, 0])
      vi.add_3D_boxes(pseudo_boxes, ids=ids,caption_size=(0.09,0.09))
      vi.add_spheres(pseudo_boxes[:, 0:3],radius=0.03,res=10,color='red',del_after_show=False, alpha=1) # Draw motion track
      vi.show_3D() # press the Q or Enter or ESC key to view
  • 项目获取

相关推荐
安步当歌7 小时前
【论文#目标检测】Attention Is All You Need
图像处理·人工智能·目标检测·计算机视觉
埃菲尔铁塔_CV算法10 小时前
YOLO 模型的深度剖析及其在生物医药领域的创新应用
深度学习·神经网络·yolo·目标检测·计算机视觉
whuzhang1610 小时前
3DGS之齐次坐标
人工智能·3d·自动驾驶
HiEV10 小时前
激光雷达成为新时代「安全气囊」,禾赛推动智能车安全再进化
自动驾驶·汽车
硅谷秋水11 小时前
UniOcc:自动驾驶占用预测和预报的统一基准
人工智能·深度学习·机器学习·计算机视觉·自动驾驶
$程14 小时前
NVIDIA 自动驾驶技术见解
人工智能·机器学习·自动驾驶
思通数据18 小时前
开源AI守护童心——幼儿跌倒报警系统的智能安全革命
人工智能·深度学习·安全·目标检测·计算机视觉·目标跟踪·ocr
luoganttcc19 小时前
CMFA在自动驾驶中的应用案例
人工智能·机器学习·自动驾驶
Mr.Winter`19 小时前
无人船 | 图解基于PID控制的路径跟踪算法(以欠驱动无人艇Otter为例)
人工智能·算法·机器人·自动驾驶·ros·ros2·无人船
淮北4941 天前
ROS机器人开发实践->机器人建模与仿真
学习·机器人·自动驾驶·信息与通信·信号处理