kitti数据集真值

### Kitti 数据集 Ground Truth 下载和使用

#### 获取Ground Truth数据
对于Kitti数据集中真实标签或ground truth信息的获取，可以从官方下载页面找到对应的资源。通常情况下，ground truth分为不同类别，比如物体检测、跟踪以及姿态估计等[^1]。

- **物体检测与跟踪**：这些类别的ground truth可以随图像数据一同下载，在解压后的文件夹内会发现标注好的边界框和其他属性。

- **里程计（Odometry）**：针对该部分的数据，`poses`目录下的多个`.txt`文档提供了精确的位置变换信息。每个文本文件包含了相应序列中各帧之间的相对运动描述，即通过3×4矩阵形式给出从初始状态至特定时刻的姿态变化情况[^3]。

#### 使用Calibration参数解析Ground Truth
为了能够正确理解并应用上述提到的各种类型的ground truth，了解校准(calibration)文件至关重要。具体来说：

- `calib.txt` 文件记录了摄像头内外参以及其他传感器间的相互关系，这对于将激光雷达点云投影到图像平面或是反向操作都十分必要。例如，当涉及到把地面真值由一种坐标体系转译成另一种时——像从相机视角切换到LiDAR参考框架下——就需要依赖于此类配置项所定义的比例因子和平移量来完成转换过程。

import numpy as np

def load_calib(file_path):
    """加载 calibration 参数"""
    with open(file_path, 'r') as f:
        lines = f.readlines()
    
    P_rect_00 = np.array([float(x) for x in lines[0].split()[1:]]).reshape((3, 4))
    R_rect_00 = np.eye(4)
    Tr_velo_to_cam = np.array([float(x) for x in lines[-1].split()[1:]]).reshape((3, 4))

    return {'P_rect_00': P_rect_00,
            'R_rect_00': R_rect_00,
            'Tr_velo_to_cam': Tr_velo_to_cam}

# 加载 calib 文件作为示例
calib_data = load_calib('path/to/calib.txt')
print(calib_data['Tr_velo_to_cam'])

#### 将Ground Truth转换到雷达坐标系
如果目标是从原始坐标系统迁移到LiDAR参照系，则需执行如下计算步骤。这里采用了一个简单的线性代数运算模型来进行坐标轴间的关系调整[^2]。

def transform_gt_to_lidar(gt_points, T_cam_to_velo):
    """
    gt_points 是 N*3 的数组，表示在相机坐标系下的点；
    T_cam_to_velo 表达的是从相机坐标系到 LiDAR 坐标系的转换矩阵.
    返回的结果是在 LiDAR 坐标系下的相同点集合.
    """
    ones_col = np.ones((gt_points.shape[0], 1))
    homogenous_coords = np.hstack((gt_points, ones_col)) @ T_cam_to_velo.T
    
    lidar_points = homogenous_coords[:, :3]

    return lidar_points

T_cam_to_velo = calib_data['Tr_velo_to_cam']
example_gt_points = np.random.rand(5, 3)*10  # 创建一些随机样例点用于演示目的
transformed_points = transform_gt_to_lidar(example_gt_points, T_cam_to_velo)

print(transformed_points)