1 KITTI 激光雷达数据存储结构

????????KITTI数据集包含多个文件夹，这里将介绍激光雷达数据，即data_object_velodyne。其他数据，将在后续算法介绍过程中逐步更新。

????????为了方便后续进行模型调试，这里建立一个小的KITTI激光雷达数据集， mini data_object_veloyne。data_object_veloyne_mini的文件结构与KITTI原始数据保持一致。该数据的下载地址为：kittimini版激光雷达数据-深度学习文档类资源-CSDN下载。

????????Mini kitti数据集其他部分下载地址为：

data_object_velodyne_mini：kittimini版激光雷达数据-深度学习文档类资源-CSDN下载。

data_object_label_2_mini：kittimini版标签数据label_2-深度学习文档类资源-CSDN下载。

data_object_image_2_mini：kittimini版激光图像数据image_2-深度学习文档类资源-CSDN下载。

????????标注文件中16个属性，即16列。但我们只能够看到前15列数据，因为第16列是针对测试场景

????????解压下载后的文件，包含了training和testing两个文件夹，这两个文件夹下各自包含一个velodyne文件夹。velodyne文件夹下存储了点云文件，以bin格式存储。激光雷达坐标系中，z方向是高度方向，x方向是汽车前进方向，前进左手边方向为y方向，满足右手定则。?velodyne文件是激光雷达的测量数据（绕其垂直轴（逆时针）连续旋转），激光雷达参数如下：

1 × Velodyne HDL-64E rotating 3D laser scanner, 
10 Hz, 64 beams, 0.09 degree angular resolution, 
2 cm distance accuracy, collecting ～ 1.3 million points/second,
field of view: 360? horizontal, 26.8? vertical, range: 120 m

????????以“000000.bin”文件为例，点云数据以浮点二进制文件格式存储，每行包含8个数据，每个数据由四位十六进制数表示（浮点数），每个数据通过空格隔开。一个点云数据由四个浮点数数据构成，分别表示点云的x、y、z、r（强度 or 反射值）。

????????KITTI激光雷达文件夹下的训练点云数量有7481个，即7481个bin文件，共13.2GB大小。测试点云数量有7518个，即7518个bin文件，共13.4GB大小。Mini版的训练点云数量为20，测试点云数量为5。Mini版KITTI激光雷达数据集下载地址为：kittimini版激光雷达数据-深度学习文档类资源-CSDN下载。

2 KITTI bin点云文件读取与可视化

????????Bin点云文件介绍与读取请参考：点云格式介绍（四）_Coding的叶子的博客-CSDN博客_bin点云。以“000001.bin”文件为例，其读取程序如下所示。

# -*- coding: utf-8 -*-
"""
乐乐感知学堂公众号
@author: https://blog.csdn.net/suiyingy
"""

from mayavi import mlab
import numpy as np

def viz_mayavi(points, vals="distance"):
    x = points[:, 0]  # x position of point
    y = points[:, 1]  # y position of point
    z = points[:, 2]  # z position of point
    fig = mlab.figure(bgcolor=(0, 0, 0), size=(640, 360))
    mlab.points3d(x, y, z,
                          z,          # Values used for Color
                          mode="point",
                          colormap='spectral', # 'bone', 'copper', 'gnuplot'
                          # color=(0, 1, 0),   # Used a fixed (r,g,b) instead
                          figure=fig,
                          )
    mlab.show()

if  __name__ == '__main__':
    points = np.fromfile('000001.bin', dtype=np.float32).reshape([-1, 4])
    viz_mayavi(points)