一种制备真实可信的红外彩色图像数据集的方法,为训练神经网络提供数据样本。
2022年数据效果:
2023年数据效果:
本例程测试环境:硬件为联想Y9000P,操作系统为Ubuntu20.04,ROS版本为neotiic。
第三方库文件: octomap-1.9.0 、pcl-1.10 、 vtk-7.1 、 python3.8
-
使用QtCreator编译 OctomapTakeOut
-
使用PyCharm运行 InfraColor\scripts\color-image-ntd.py
-
基础设备准备:相机、激光雷达和惯导的联合标定,相机和激光雷达的时空同步,激光雷达基于惯导的动态补偿
-
基础数据采集:在测试地点,白天场景采集惯导、激光雷达、可见光图像数据
夜晚场景采集惯导、激光雷达、红外图像数据
(城市区域数据采集难度低于越野区域)
-
高精地图构建:通过两次采集数据,构建该测试地点的高精地图,获取对应图像帧和雷达帧的精准全局位姿数据
-
稠密点云选取:依据获得的全局位姿数据,从高精地图中求取该帧的激光雷达点云数据,并转换到激光雷达坐标系
-
点云和图像数据匹配:通过时间戳、欧式距离与偏航角计算,分别获取成对的白天彩色图像与点云数据,红外图像数据与点云数据
-
红外图像彩色化:将红外图像中的灰色像素,转换为可见光彩色像素
DataSets 下载链接: Syncing
- 当前只实现了单帧的像素恢复,可通过多次匹配,优化恢复效果
- 通过不同的采样优化方法,例如BGK,分段提升点云恢复效果
2022-10-24-map 白天彩色图像、点云和惯导数据
2022-10-25-map 夜晚红外图像、点云和惯导数据
-
Research on Colorful Visualization and Object Detection in Low Illumination
-
In Defense of Classical Image Processing: Fast Depth Completion on the CPU. [cs.CV 31 Jan 2018 ] (IP-Basic)
-
Improving 3D Object Detection for Pedestrians with Virtual Multi-View Synthesis Orientation Estimation. [cs.CV 15 Jul 2019 ] (3D Scene Visualizer)
If you have any questions, feel free to open an issue or contact Jie Wang for 1271706355@qq.com.