数据分享 | LiDAR点云数据汇总

目录

1.    WHU-TLS点云数据集

2.    Oakland3-D点云数据集

3.    Paris-rue-Madame数据集

4.    IQmulus& TerraMobilita数据集

5.    Districtof Columbia数据集

6.    semantic3d数据集

7.    Paris-Lille-3D数据集

8.    DublinCity数据集

武大空间智能研究所课题组结合课题组近十年来的数据积累，联合慕尼黑工业大学、芬兰大地所、挪威科技大学、代尔夫特理工大学发布全球最大规模和最多样化场景类型的TLS点云配准基准数据集。本次公开的WHU-TLS基准数据集涵盖了地铁站、高铁站、山地、森林、公园、校园、住宅、河岸、文化遗产建筑、地下矿道、隧道等11种不同的环境，共包含115个测站、17.4亿个三维点以及点云之间的真实转换矩阵。此外，该基准数据集也为铁路安全运营、河流勘测和治理、森林结构评估、文化遗产保护、滑坡监测和地下资产管理等应用提供了典型有效数据。

WHU-TLS点云数据集示例

Oakland 3-D数据是使用Navlab11和侧视的LMS激光扫描仪收集的。数据采集点位于宾夕法尼亚州匹兹堡奥克兰市的芝加哥大学校园。数据以ascii格式提供：x, y, z标签置信度，每行一点，空格作为分隔符。还提供了相应的vrml文件（.wrl）和标签计数文件（.stats）。数据集由两个子集（part2，part3）组成，每个子集有自己的本地参考帧，其中每个文件包含100000个三维点。对训练集/验证集和测试集进行了筛选，并将其从44个标签重新映射到5个标签中。

Paris-rue-Madame数据集包是由三维移动激光扫描仪收集得到。数据收集于法国巴黎第六区的一个街道rue Madame，试验区包含从rue Mézières至rue Vaugirard的160米长的街道；数据获取时间为2013年2于8日13:30。

这个数据集是在TerraMobilita项目的框架下开发的。它是由位于法国普里斯帕里斯蒂奇矿山的机器人实验室（CAOR）的LARA2-3D三维激光扫描仪获得的。数据标注是由法国枫丹白露矿业中心（MINES ParisTech）的数学形态学中心（CMM）以人工辅助的方式进行的。

数据集包含两个ply文件，每个ply文件包含有1000万个点。每个文件包含一个点列表（x, y, z, reflective, label, class），其中x, y, z对应于Lambert 93和altitude IGN1969（grid RAF09）参考坐标系中的地理参考坐标（E, N, U），reflective是激光强度，label是分割后获得的对象标签，class是对象类别。

GT_Madame1_2.ply文件点云的快照，由Z坐标值、反射率、对象标签和对象类着色。

 IQmulus & TerraMobilita数据集是一个比赛数据集，数据包含由3亿个三维点组成的点云数据，数据于2013年1月在法国的一个城市密集区域获取。

这个数据集是在iQmulus和TerraMobilita项目的框架下产生。它由法国国家测绘（IGN）开发的MLS系统Stereopolis II获取。数据标注由IGN的MATIS实验室以手动方式进行。

在这个数据集中，数据存储为ply文件格式，整个三维点云被分割和分类，即每个点包含一个标签和一个类。因此，检测分割分类方法的逐点评价成为可能。

所有坐标对应于Lambert 93和altitude IGN1969（grid RAF09）参考系统中的地理参考坐标（E, N, U），反射率为激光强度。已从XY坐标中减去偏移量，目的是提高数据精度。每个文件包含以下属性：

   1、(float32) X, Y, Z：Lambert 93系统中的笛卡尔地理参考坐标。

   2、(float32) X, Y, Z：原始坐标

   3、(float32) reflectance：后向散射强度校正距离。

   4、(uint8) num_echo：回声的数量（处理多个回声）

每个参与者提供的每个经过处理的文件一定是包含原始点的PLY文件（顺序相同），它们的原始属性和两个附加属性如下：

   5、(uint32) id: 包含每个分段对象的唯一标识符/标签。

   6、(uint32) class: 包含使用语义类树中的标签对每个分段对象的分类结果。具有相同id的两点必须具有相同的类。

由于数据集的每个点都包含一个id和一个类，因此将以逐点的方式执行计算。

华盛顿的LiDAR点云数据可供任何人在Amazon S3上使用。该数据集由首席技术官办公室（OCTO）通过哥伦比亚特区地理信息系统计划管理，包含整个特区的平铺点云数据以及相关元数据。点云中的每个点都已根据以下模式进行了分类。

   Class 1: Processed, but unclassified

   Class 2: Bare earth

   Class 7: Low noise

   Class 9: Water

   Class 10: Ignored ground

   Class 11: Withheld

   Class 17: Bridge decks

   Class 18: High noise

semantic3d提供了一个带有大标签的自然场景的3D点云数据集，总计超过40亿点。它还涵盖了多种多样的城市场景：churches, streets, railroad tracks, squares, villages, soccer fields, castles等等。semantic3d提供的点云已使用最先进的设备进行静态扫描，并且包含非常精细的细节。

semantic3d数据集维三维场景中的语义分割评估创造了一个框架，在这个框架中，提供：

  1、大量点云，其中包含超过40亿个标记点。

  2、真实标签，由专业评估人员手工标记。

  3、 一个通用的评估工具，可提供已建立的交叉联合度量方法以及完整的混淆矩阵。

Paris-Lille-3D是点云分类的基准。数据是由法国两个不同城市（巴黎和里尔）的移动激光系统（MLS）产生的。点云已完全被手工标记为50种不同的类别，以帮助研究社区进行自动点云分割和分类算法。数据的每个文件均以单独的ply文件存储数据的汇总见表6，每个ply点云文件均包含10个属性：

   1、x, y, z (float) : 点的位置；

   2、 x_origin, y_origin, z_origin (float) : LiDAR位置；

   3、GPS_time (double) : 点云获取时间；

   4、reflectance (uint8) : 反射率；

   5、label (uint32) : 点云所属标签；

   6、class (uint32) : 点云所属类别。

DublinCity数据集是都柏林大学学院（UCD）的城市建模小组通过ALS设备扫描都柏林市中心的主要区域（大约5.6平方公里）。在总共的14亿个点云中包含大约2.6亿个标记点标记（图1）。标记区域位于点云的最密集采样部分内，并且被航空影像完全覆盖。

数据集被被标注为3个级别共13个类（图7a）：

Level 1：此级别包含粗略的标签，包括四个类别：（a）Building；（b）Ground；（c）Vegetation；（d）Undefined。建筑物都是可居住的城市结构的形状（例如房屋，办公室，学校和图书馆）。地面主要包含位于地形高程的点。植被类别包括所有类型的植物。最后，未定义的点是那些不太受欢迎的点，可以包含在城市元素中（例如垃圾桶，装饰雕塑，汽车，长凳，电线杆，邮政信箱和非静态物体）。大约10％的被标记为未定义，它们主要是河流，铁路和建筑工地的点。

Level 2：在此级别中，级别1的前三个类别进一步精细分类。建筑物被标记为屋顶和外墙；植被被分为不同的植物（例如树木和灌木丛）；地面点分为街道，人行道和草地。

Level 3：包括屋顶（例如屋顶窗和天窗）和外墙上的任何类型的门窗。

图7d. 数据标注示例

结语：以上数据集均总结与论文和比赛数据集，若有所遗漏或存在错误，深表歉意；也希望大家能与我们联系，提出宝贵的意见和建议，我们会尽快补全及改正，非常感谢您的支持。

文编：IMARS
美编：叶国兴审核：石茜

文章转载于：IMARS 遥感大数据智能挖掘与分析