Table 1 Comparative Overview of Different Dataset.
| Dataset | Value | Device used | Limitation | Gap |
| [^5] | Dataset for Emergency Medical Services (EMS) vehicles | LiDAR and RGB camera | EMS vehicles, Created using the CARLA simulator | Outdoor area and focused on enriching specialized objects such as EMS vehicles |
| [^6] | Privacy-Preserving Human Sensing | Radar and RGB-D camera | Supports 3D pose estimation and gesture recognition | Radar produces sparser data, pose details may be lost |
| [^7] | Dataset with high-density point cloud | MOVE4D System | Does not contain temporal data | Focused on a snapshot per pose |
| [^8] | Sequence frame of Video | Digital camera 12 MP | Does not privacy-preserving human sensing | A different way of data collection and focused on 2D data per frame |
| Current | Sequence frame of 3D human pose point cloud, Privacy-preserving human sensing, spatial and temporal 3D point cloud data | 3D LiDAR | One male as a talent, Indoor area, specific human pose | Focused on 3D point cloud data and human pose |
计算机视觉与深度学习领域与人体姿态预测相关创新技术的发展 [^1]、人体朝向 [^2]、人体姿态去噪 [^3]、目标分类 [^3] [^4]、人体姿态估计以及人类活动分析等诸多方向的发展。例如，健康领域（物理治疗、医学康复）、体育、人机交互、安防等领域已经涌现出诸多相关创新成果。这个三维人体姿态点云数据集旨在吸引更广泛的受众，包括开发人员和公众。该数据集可作为跨学科研究和社区服务的载体，搭建医务人员与前沿技术之间的桥梁，也连接体育教练与最新创新成果。
表1对多个现有数据集进行了对比概述。从数据集的研究价值、数据采集所用设备、自身局限性以及填补的数据缺口几个维度，都能看出各数据集之间的差异。我们的优质数据集是保护隐私的人体感知时空三维点云数据。
### 3. 数据描述
三维激光雷达传感器输出的原始数据为PCAP（.pcap）和JSON（.json）格式。数据形式为时空点云数据，每一帧都是三维激光雷达生成的三维点云，如图1所示。原始数据需要经过分割处理，才能得到仅聚焦于人体的三维人体姿态点云。经过人体分割后，共得到1400份三维点云数据（见表2），类别分布如图2所示。每个人体姿态类别包含280份数据，四个类别共包含1120个数据点。训练数据与测试数据的比例为80%比20%，其中测试数据量为280份。
该数据集每个类别的数据量一致，属于均衡数据集。均衡数据集的优势在于，深度学习模型能够对所有人体姿态类别进行公平学习，从而降低对特定类别产生偏差的风险，最大程度减少重采样这类数据集特殊处理工作。
三维人体姿态的长、宽、高尺寸各不相同。尺寸取决于具体姿态：例如，站立姿态的尺寸就与双手放在体侧的姿态尺寸不同。尽管三维空间中的尺寸存在差异，这也恰恰说明本数据集给数据处理带来了足够的挑战性。本数据集将尤其适用于
---
Fig. 1. Raw Data 3D Point Cloud of LiDAR.
Fig. 2. Balance Data based on Number of Datasets.
Table 2 Dataset Allocation.
Fig. 3. Distribution of Human Pose Class Label.
Fig. 4. Distribution of Training and Testing Data.
### 4. 实验设计、材料与方法
个人电脑的最低配置为CPU Intel(R) Core (TM) i5-8350 U @1.70 GHz，内存为16GB、频率2400 MHz。本研究使用的3D LiDAR传感器为Ouster公司生产的OS1，相关参数如图5所示：测距范围为90–200 m，分辨率为128通道，工作温度范围为-40 – 60°C。本流程所需的最低要求软件为PyCharm Community Edition 2022.2.1，也可替换为Visual Studio Code等其他软件。
3D LiDAR输出的包含时空信息的数据存储格式为PCAP（.pcap）和JSON（.json）。每个人体姿态类别对应一个PCAP文件和一个JSON文件。原始时空数据需要处理为PCD格式，得到按人体姿态分类的3D人体姿态点云数据集。
使用Open3D库对3D点云人体姿态进行可视化的示例如表3所示。每种姿态的可视化对应三种代表性扫描场景：分别由3D LiDAR扫描正面向前、向后转身、侧向站立的人体。每次扫描结果都提供前视图、侧视图、后视图和俯视图四种视角的可视化。
整个数据集共包含1400份3D人体点云数据，其中1120份为训练数据，280份为测试数据。如表2所示，每个类别包含280份数据。每个类别的数据集分布如图3所示。每个类别包含25%的训练
---
Table 3 Example of 3D Human Pose Point Cloud Dataset.
| Scanning with the body facing forward LiDAR |
| Data Class | Front Look | Side View | Back View | Top View |
| Hands-to-the-side |  |  |  |  |
| Sit-down |  |  |  |  |
| Squat-down |  |  |  |  |
| Stand-up |  |  |  |  |
| Scanning with the body facing backward LiDAR |
---
| Data Class | Front Look | Side View | Back View | Top View |
| Hands-to-the-side |  |  |  |  |
| Stand-up |  |  |  |  |
| Scanning with the body facing sideways LiDAR |
| Data Class | Front Look | Side View | Back View | Top View |
| Hands-to-the-side |  |  |  |  |
| Stand-up |  |  |  |  |
---
Fig. 5. OS1 3D LiDAR Sensor.
Fig. 6. Data Collection.
数据。根据图4，训练数据与测试数据的分布如下：训练数据占比80%，测试数据占比20%。
数据采集流程如图6所示，3D LiDAR在距离人体120 cm的位置进行扫描。采集流程中三个核心步骤为：通过`pcap.Pcap(pcap_path, info)`获取PCAP源文件，通过`source.metadata`获取元数据，最后通过`client.Scans(source)`转换PCAP，逐帧得到PCD文件。需要从ouster库中导入pcap和client模块。执行pcap2pcd转换的python代码可在GitHub
---
提供的链接中找到，文件名为pcap2pcd.py。用于pcap2pcd转换的Python代码也放置在我们Mendeley Data页面的复现步骤板块中。
3D LiDAR采集的原始数据通过Python和open3D进行可视化。可视化结果可从多个视角查看，例如顶视图、侧视图，也可通过旋转获得不同透视角度的视图。后续步骤是人体分割，通过3D裁剪识别出感兴趣区域。最终步骤是对每个3D人体点云数据进行标注和调整，将其归入对应的人体姿态标签类别。
## 局限性
该数据集存在显著局限性：仅涵盖四种基础人体姿态，测试对象仅为1名人员，且数据采集仅在室内完成。测试对象年龄在30至40岁之间，3D激光雷达位置与测试对象位置的距离为120厘米，数据采集于上午10:00至下午1:00在室内开展。本研究属于人体姿态预测的早期探索方向，数据采集仍有多处需要改进：例如需纳入其他人体姿态、多样化测试对象、多人场景，同时还需补充户外数据采集工作。更多样的人体姿态、涵盖不同性别（男性/女性）和年龄（儿童、成人、老年人）的多样化测试对象，将有效提升该数据集的价值。本文所述的局限性会对后续人体体型和动作的多样性研究产生影响，这些问题也凸显了在真实场景中采集更多样化数据的必要性，同时需要注意，基于噪声因子选择合适的预处理方法会直接影响人体姿态预测的结果。
## 伦理声明
本研究符合伦理规范，因为所用数据为点云形式，不会显示人员图像，也不包含任何个人信息。
## 作者贡献声明
Farah Zakiyah Rahmanti：软件、方法学、形式分析、资源、数据整理、初稿撰写、审稿与编辑、可视化；Moch. Iskandar Riansyah：软件、数据整理、研究、审稿与编辑；Oddy Virgantara Putra：软件、数据整理、研究、审稿与编辑；Eko Mulyanto Yuniarno：概念构思、方法学、验证、资源、监督、项目管理；Mauridhi Hery Purnomo：概念构思、验证、资源、监督、资金获取。
## 数据可用性
3D人体姿态激光探测与测距（LiDAR）点云数据（原始数据）（Mendeley Data）
3D人体姿态激光探测与测距（LiDAR）点云数据集（原始数据）（Mendeley Data）
## 致谢
本研究得到印度尼西亚教育奖学金（BPI）2023年度博士结业奖学金项目的支持，BPI隶属于印度尼西亚教育、文化、研究与技术部（Kemendikbudritek）。
---
## 利益冲突声明
作者声明，不存在已知的可能影响本文研究工作的竞争性财务利益或私人关系。
## 参考文献
[^1]: F.Z. Rahmanti, M.I. Riansyah, O.V. Putra, E.M. Yuniarno, M.H. Purnomo, Human pose prediction using convolution Neural Network 3D based on binary voxel feature extraction (BIVFE) of light detection and ranging (LiDAR) point cloud data, Int. J. Intell. Eng. Syst. 18 (6) (Jul. 2025) 301–317, doi:10.22266/ijies2025.0731.19.
[^2]: M.I. Riansyah, O.V. Putra, A. Priyadi, T.A. Sardjono, E.M. Yuniarno, M.H. Purnomo, Modified CNN VoxNet based depthwise separable convolution for Voxel-driven body orientation classification, in: 2024 IEEE International Conference on Imaging Systems and Techniques (IST), IEEE, Oct. 2024, pp. 1–6, doi:10.1109/IST63414.2024.10759165.
[^3]: O.V. Putra, et al., Enhancing LiDAR-based object recognition through a novel denoising and modified GDANet framework, IEEE Access 12 (2024) 7285–7297, doi:10.1109/ACCESS.2023.3347033.
[^4]: O.V. Putra, M.I. Riansyah, A.Priyadi Riandini, E.M. Yuniarno, M.H. Purnomo, Fuzzy lightweight CNN for point cloud object classification based on Voxel, in: TENCON 2023 - 2023 IEEE Region 10 Conference (TENCON), IEEE, Oct. 2023, pp. 685–690, doi:10.1109/TENCON58879.2023.10322519.
[^5]: C. Jaiswal, S. Acquaah, C. Nenebi, I. AlHmoud, A.K. Islam, B. Gokaraju, EMS3D-KITTI: synthetic 3D dataset in KITTI format with a fair distribution of Emergency Medical Services vehicles for autodrive AI model training, Data Br 58 (Feb. 2025) 111221, doi:10.1016/j.dib.2024.111221.
[^6]: N. Roshandel, et al., mmPrivPose3D: a dataset for pose estimation and gesture command recognition in human-robot collaboration using frequency modulated continuous wave 60Hz RaDAR, Data Br 59 (Apr. 2025) 111316, doi:10.1016/j.dib.2025.111316.
[^7]: A.V. Ruescas-Nicolau, E.J. Medina-Ripoll, E. Parrilla Bernabé, H. de Rosario Martínez, Multimodal human motion dataset of 3D anatomical landmarks and pose keypoints, Data Br 53 (Apr. 2024) 110157, doi:10.1016/j.dib.2024.110157.
[^8]: K.M. Awad, L.F. Tulaib, H.M. Saleh, Gait recognition by computing fixed body parameters, Babylonian J. Netw. 2024 (Sep. 2024) 191–197, doi:10.58496/BJN/2024/019.