KITTI数据集介绍

本文为个人学习笔记，参考文献已经标注出。

kitti数据集主要分为以下几个文件夹。下面分别介绍。

一、标定校准文件

calib训练集存储为data_object_calib/training/calib/xxxxxx.txt，共7481个文件。  calib测试集存储为data_object_calib/testing/calib/xxxxxx.txt，共7518个文件。

标定校准文件内容解析

1	2	3	4
左边灰度相机	右边灰度相机	左边彩色相机	右边彩色相机

1.1内参矩阵

P0-P3分别表示4个相机的内参矩阵，或投影矩阵, 大小为 3x4。相机内参矩阵是为了计算点云空间位置坐标在相机坐标系下的坐标，即把点云坐标投影到相机坐标系。将相机的内参矩阵乘以点云在世界坐标系中的坐标即可得到点云在相机坐标系中的坐标。

1.2 外参矩阵

   根据上述介绍，我们知道存在三种坐标系世界坐标系、相机坐标系、激光雷达坐标系。世界坐标系反映了物体的真实位置坐标，也是作为相机坐标系和激光雷达坐标系之间相互变换的过渡坐标系。

    点云位置坐标投影到相机坐标系前，需要转换到世界坐标系下，对应的矩阵为外参矩阵。外参矩阵为Tr_velo_to_cam ，大小为3x4，包含了旋转矩阵 R 和 平移向量 T。将相机的外参矩阵乘以点云坐标即可得到点云在世界坐标系中的坐标。

1.3 R0校准矩阵

   R0_rect 为0号相机的修正矩阵，大小为3x3，目的是为了使4个相机成像达到共面的效果，保证4个相机光心在同一个xoy平面上。在进行外参矩阵变化之后，需要于R0_rect相乘得到相机坐标系下的坐标。

2.4 点云坐标到相机坐标

    综上所述，点云坐标在相机坐标系中的坐标等于内参矩阵 * 外参矩阵 * R0校准矩阵 * 点云坐标

    即：P * R0_rect *Tr_velo_to_cam * x

    例如，要将Velodyne激光雷达坐标系中的点x投影到左侧的彩色图像中y，使用公式：y = P2 * R0_rect *Tr_velo_to_cam * x

当计算出z<0的时候表明该点在相机的后面 。

按照上述过程得到的结果是点云在相机坐标系中的坐标，如果需要将点云坐标投影到像平面还需要除以Z。参考2.1节。示例程序可以参考 ：【三维目标检测】VoxelNet（一）：crop.py详解_Coding的叶子的博客-CSDN博客_三维点云目标检测。

————————————————

版权声明：本文为CSDN博主「Coding的叶子」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/suiyingy/article/details/124787636