在验证算法鲁棒性的时候用到了一些数据集，做一下总结。
- kitti数据集：自动驾驶
Are we ready for autonomous driving? the KITTI vision benchmark suite.（2012 CVPR）
这个文章中介绍了Kitti数据集，他公开了很多详细的坐标转换函数和readme，认真去看就能处理出来。
http://www.cvlibs.net/datasets/kitti/index.php
- 百度Apollo数据集：自动驾驶
百度在加州南湾采集的真实公路数据，看到他们自己的文章在用。
DeepVCP An End-to-End Deep Neural Network for 3D Point Cloud Registration（2019 ICCV）
L3-Net: Towards learning based LiDAR localization for autonomous driving （2019 CVPR）
自己写过一个文章总结了下，细节上还是有些问题没搞清，不过百度这个数据集采集的好像比Kitti更加精确。
https://mp.csdn.net/postedit/102973999
- Stanford Lounge
一个斯坦福休息室的数据，看到下面两个文章再用，要从深度视频提取深度图，再转换成点云，这点没问题，真值，关键是真值，从局部坐标系变换到世界坐标系，两个差距太大，最后也不知道怎么用，问了没人回复了。
Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures(2018 CVPR)
FilterReg Robust and Efficient Probabilistic Point-Set Registration using Gaussian Filter and Twist Parameterization(2019 CVPR)
数据链接：http://qianyi.info/scenedata.html
- 3D model of the office scene
办公室场景的扫描，数据链接：https://www.microsoft.com/en-us/research/project/rgb-d-dataset-7-scenes/
提到的文章 Go-ICP: A Globally Optimal Solution to 3D ICP Point-Set Registration（2015 PAMI）
- 超多三维重建的真实数据
从文章：An Adaptive Data Representation for Robust Point-Set Registration and Mergin（2015 ICCV）中发现了这个网站，里面有超多三维重建的真实场景数据集，我选用了它文章提到的两个。
数据链接：http://kos.informatik.uni-osnabrueck.de/3Dscans/
总结：处理数据真的是让我心力憔悴，很多不一样的数据格式要转换出来，然后去验证它的真值，汗。等这阵忙完了把自己处理点云数据的思路写个文章吧，包含pcd，ply，stl，wrl，txt等等怎么转换。
来源：CSDN
作者：假老练啊哦
链接：https://blog.csdn.net/qq_34269988/article/details/104042211