TUM数据集下载链接
https://vision.in.tum.de/data/datasets/rgbd-dataset/download
https://vision.in.tum.de/data/datasets/visual-inertial-dataset
标定数据总共提供四种：
1.calib-cam1~8：相机标定，本质矩阵以及两个相机之间的姿态变换
2.calib-imu1~4：IMU标定，找到相机和IMU之间的最优姿态变换
3.calib-vignette2~3：光晕标定？？
4.calib-imu-static2:IMU标定，只包含IMU数据，用于估计IMU噪声和随机游走。格式timestamp, gyro_x, gyro_y, gyro_z, accel_x, accel_y, accel_z, temperature
数据集序列总共5种：
1.corridor1~5(走廊)：在走廊和几个办公室拍摄，只在开始和结束有真实值。
2.magistrale1~6（大厅）：在校园内的一个大厅拍摄，只在开始和结束有真实值。
3.outdoors1~8(户外)：在校园内的室外场景拍摄，只在开始和结束有真实值。
4.room1~6(室内)：对应有5个图像序列，整个过程都带有运动捕捉系统提高的真实值。
5.slides1~3(滑梯)：在大厅中拍摄，包含一段光照极差的路程，只在开始和结束有真实值。
由于 TUM数据集是从实际环境中采集的,需要解释一下它的数据格式(数据集一般都有自己定义的格式)。在解压后,你将看到以下这些文件:
rgb和depth文件夹下存放着彩色图和深度图。
图像的文件名是以采集时间命名的。而rgb.txt和depth.txt则存储了所有图像的采集时间和文件名称，例如：
1305031910.765238 rgb/1305031910.765238.png
表示在机器时间1305031910.765238采集了一张RGB图像，存放于rgb/1305031910.765238.png中。
这种存储方式的一个特点是，没有直接的rgb-depth一一对应关系。由于采集时间的差异，几乎没有两张图像是同一个时刻采集的。然而，我们在处理图像时，需要把一个RGB和一个depth当成一对来处理。所以，我们需要一步预处理，找到rgb和depth图像的一一对应关系。
请注意彩色图、深度图和标准轨迹的采集都是独立的,轨迹的采集频率比图像高很多。在使用数据之前,需要根据采集时间,对数据进行一次时间上的对齐,以便对彩色图和深度图进行配对。原则上,我们可以把采集时间相近于一个阈值的数据,看成是一对图像。并把相近时间的位姿,看作是该图像的真实采集位置。
TUM为我们提供了一个工具来做这件事，详细的说明请看：http://vision.in.tum.de/data/datasets/rgbd-dataset/tools 该网页整理了一些常用工具，包括时间配对，ground-truth误差比对、图像到点云的转换等。对于现在预处理这一步，我们需要的是一个 associate.py 文件，如下（你可以直接把内容拷下来，存成本地的associate.py文件），请把此文件放到数据集目录下,
只要给它两个文件名即可，它会输出一个匹配好的序列，像这样：
python associate.py rgb.txt depth.txt
输出则是一行一行的数据，即是配对好的RGB图和深度图了，
1305031955.536891 rgb/1305031955.536891.png 1305031955.552015 depth/1305031955.552015.png
程序默认时间差在0.02内的就可以当成一对图像。为了保存这个结果，我们可以把它输出到一个文件中去，这样，只要有了这个associate.txt文件，我们就可以找到一对对的RGB和彩色图啦！如：
python associate.py rgb.txt depth.txt > associate.txt
这段脚本会根据输入两个文件中的采集时间进行配对,最后输出到一个文件 associate.txt。输出文件含有被配对的两个图像的时间、文件名信息,可以作为后续处理的来源。
请注意彩色图、深度图和标准轨迹的采集都是独立的,轨迹的采集频率比图像高很多。在使用数据之前,需要根据采集时间,对数据进行一次时间上的对齐,以便对彩色图和深度图进行配对。
关于ground truth
ground truth是TUM数据集提供的标准轨迹，它是由一个外部的（很高级的）运动捕捉装置测量的，基本上你可以把它当成一个标准答案喽！ground truth的记录格式也和前面类似，像这样：
1305031907.2496 -0.0730 -0.4169 1.5916 0.8772 -0.1170 0.0666 -0.4608
各个数据分别是：时间，位置（x,y,z），姿态四元数（qx, qy, qz, qw），对四元数不熟悉的同学可以看看“数学基础”那几篇博客。那么这个轨迹长什么样呢？我们写个小脚本来画个图看看：
复制代码:
#!/usr/bin/env python
# coding=utf-8
import numpy as np
import matplotlib.pyplot as plt
import mpl_toolkits.mplot3d
f = open("./groundtruth.txt")
x = []
y = []
z = []
for line in f:
if line[0] == '#':
continue
data = line.split()
x.append( float(data[1] ) )
y.append( float(data[2] ) )
z.append( float(data[3] ) )
ax = plt.subplot( 111, projection='3d')
ax.plot(x,y,z)
plt.show()
复制代码
复制代码
把这部分代码复制存储成draw_groundtruth.py存放到数据目录中，再运行：
python draw_groundtruth.py
就能看到轨迹的形状啦：
第二件事，因为外部那个运动捕捉装置的记录频率比较高，得到的轨迹点也比图像密集很多，如何查找每个图像的真实位置呢？
可以用同样的方式来匹配associate.txt和groundtruth.txt中的时间信息：
python associate.py associate.txt groundtruth.txt > associate_with_groundtruth.txt
这时，我们的新文件 associate_with_groundtruth.txt 中就含有每个帧的位姿信息了：
1305031910.765238 rgb/1305031910.765238.png 1305031910.771502 depth/1305031910.771502.png 1305031910.769500 -0.8683 0.6026 1.5627 0.8219 -0.3912 0.1615 -0.3811
更多详情可参考https://www.cnblogs.com/gaoxiang12/p/5175118.html