没有合适的资源?快使用搜索试试~ 我知道了~
一种点线面约束的激光雷达和相机标定方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 134 浏览量
2022-11-29
17:43:28
上传
评论
收藏 564KB DOCX 举报
温馨提示
试读
11页
一种点线面约束的激光雷达和相机标定方法.docx
资源推荐
资源详情
资源评论
随着传感器技术和计算机视觉技术的快速发展,激光雷达和相机已成为移动测量、自
动驾驶、机器人等领域不可或缺的传感器
[1-2]
。激光雷达精度高、抗干扰性好,不受光照变
化的影响,能获取准确的深度信息,但是缺乏色彩和纹理信息;相机能获取色彩、纹理等
信息,但难以直接测量长距离的深度
[3]
,且稳定性差,易受光照、天气的影响。这两类传
感器具有很强的互补性,二者融合能获得更丰富的环境信息
[4]
。而精确稳定的外参数标定
是激光雷达和相机融合感知定位的基础,因此,高效的外参数标定在自动驾驶和移动机器
人应用中至关重要。
目前,激光雷达和相机的标定方法大致可以分为无目标的方法和基于目标的方法。无
目标的方法不需要人为提供标定目标,可以分为基于特征的方法和基于运动的方法
[5]
。基
于特征的方法主要利用了建筑物的常见结构,Gomez-Ojeda 等
[6]
提出了利用墙角三面体来
提供线-面和点-面约束;Bai 等
[7]
提出了基于环境线特征和无穷点来进行标定;Napier 等
[8]
和 Pandey 等
[9]
通过最大化图像灰度和激光雷达反射率的相关性来进行标定。基于运动的方
法不要求两种传感器有共视区域,可以视为手眼标定问题
[10]
,Huang 等
[11]
将 Gauss-
Helmert 模型用于求解运动约束,同步优化传感器的相对运动以及外参数,减小了传感器
噪声的影响。此外,基于深度学习的方法也逐渐被应用于相机和激光雷达外参数的标定
[12-
15]
,Schneider 等
[16]
率先将 RegNet 网络用于求解传感器之间的六自由度参数,将传统的校
准步骤(特征提取、特征匹配和全局回归)转换为一个具有实时功能的卷积神经网络;
Iyer 等
[17]
用自监督网络 CalibNet 来预测校准参数,使输入图像和点云的几何一致性和光度
一致性最大化,但基于深度学习的标定方法对计算平台要求较高。以上方法中,基于特征
的方法通常需要可靠的初值和合适的外部环境;而基于自运动的方法受到测量值不确定性
的影响;基于目标的方法需要人为提供标识物,常用的标识物为棋盘格。Zhang 等
[18]
率先
将棋盘格用于相机和激光测距仪的外参数标定,但至少需要 5 组观测进行求解;Pandey
等
[19]
提出了一种使用棋盘法线向量的校准方法,通过最小化深度和图像帧之间对应关系的
函数来估计激光雷达和相机之间的旋转和平移;Geiger 等
[20]
在场景中放置多个棋盘格,通
过面-面、点-面约束解算外参数;Kim 等
[21]
使用单个棋盘格,通过匹配多帧的面特征来求
解外参数。以上研究都没有使用标定板的边缘线信息,Zhou 等
[22]
和 Zhu 等
[23]
加入了线特
征,Zhou 等
[22]
用多帧棋盘格的直线和平面信息建立约束,并给出了闭式解,但未使用角点
信息;Zhu 等
[23]
用 V 型棋盘格来求解外参数,并且建立了二维的点-面、点-线、线-面约
束,但其构建的点-线约束不能线性化求解,且 V 型棋盘格需要定制,价格比较昂贵。
除棋盘格外,还有其他的标识物被用于激光雷达和相机的外参数标定。Park 等
[24]
用多
个白色方形板进行标定,只使用了标定板的角点信息。Pusztai 等
[25]
用立方体箱子进行标
定,根据角点约束求解外参数,其局限在于立方体必须具有正交特性。Lee 等
[26]
用球形物
体进行标定,利用球体中心的对应关系求解外参数,但球形标定物难以制作。Dhall 等
[27]
用
方形板贴上 ArUco(augmented reality University of Cordoba)二维码作为标定工具,易
于制作、成本低廉。其原理是建立三维角点的约束,用 Kabsch 方法求解。但该方法的角
点易受到噪声影响,且没有用到直线和平面信息,约束精度不够。Chai 等
[28]
在 Dhall 等
[27]
的基础上进行了改进,使用了定制的 ArUco 二维码立方体作为标定工具,通过拟合平面求
交点获得了噪声更小的角点信息,提升了算法的收敛性和稳定性。但该方法只使用了角点
约束求解外参数,并未减小重投影误差,且定制立方体标定工具价格昂贵。
为了得到更加精确稳定的激光雷达和相机标定结果,本文使用普通方形板和 ArUco
二维码作为标定工具,在 Dhall 标定方法
[27]
的基础上,加入标定板的平面、直线约束信
息,提出了基于 ArUco 二维码的点-线-面约束的标定方法,提高了标定结果的精度。通过
多帧点云叠加拟合直线、多帧角点求均值的方法,减小了雷达点云中边缘线和角点噪声的
影响,提高了标定结果的收敛性和稳定性。
1. 点线面联合约束的外参数标定方法
点线面联合约束的外参数的标定方法流程如图 1 所示。首先,通过相机和激光雷达
获取二维图像和三维点云;其次,在三维激光雷达点云中提取激光雷达坐标系下的三维
点、线、面信息;然后,用二维图像恢复相机坐标系下的三维点、线、面信息;最后,建
立相机和激光雷达坐标系下特征之间的约束,求解两种传感器之间的外参数。在本文中,
相机坐标系用 C 系表示,激光雷达坐标系用 L 系表示,共视物体的世界坐标系用 W 表
示,相机相对于 L 系的旋转和平移分别表示为 RCLRLC 和 tCLtLC。
图 1 激光雷达和相机外参数标定流程图
Figure 1. Flowchart of Extrinsic Parameters Calibration for LiDAR and Camera
下载: 全尺寸图片 幻灯片
1.1 相机点线面特征提取
为了恢复 C 系下点、线、面的三维信息,本文使用贴有 ArUco 码的标定板作为标定
目标。ArUco 码是一种携带二进制编码信息的靶标,常用于提供辅助的特征信息。本文相
机的内参数和畸变参数已经通过标定方法
[29]
获得,通过识别靶标,用 PnP(perspective-n-
point)方法
[30]
获得 ArUco 坐标系(W 系)相对于 C系的转换参数
TCW=[RCWtCW]TWC=RWCtWC。在已知标定板尺寸的情况下,根据 W 系和 C 系之间的
转换参数,可以将标定板角点在图像中的二维坐标反投影到 C 系下,获得 C 系下角点特征
的三维坐标:
XCYCZC=RWC⋅PW+tWC=r11r12r13t1r21r22r23t2r31r32r33t3XWYWZW1 ]]>
求得 C 系下角点坐标后,用角点之间的两点式方程求出标定板边缘直线的方向向量
kCkC,作为 C 系下的直线特征。在 W 系下,已知标定板的平面法向量为
nW=[001]TnW=001T,根据姿态外参数 RCWRWC 求出 C 系下的平面法向量
nC=RCW⋅nWnC=RWC⋅nW,获得 C 系下的三维平面法向量。
1.2 激光雷达点线面特征提取
三维激光雷达能直接提供点云的三维信息,因此,先提取标定板上的三维点云,再拟
合计算平面、直线和角点参数。首先,提取标定板的点云,即对原始的点云进行深度滤波
后,可获得标定板平面 ψiψi 拟合的候选点 P˜ψi={pψi1,pψi2⋯pψiN}P˜ψi=p1ψi,p2ψi⋯
pNψi;然后,用随机一致性检验(random sample consensus,RANSAC)方法
[31]
拟合平
面,获得第 i 次扫描的最优拟合结果,包括平面的 k 个拟合点
Pψi={pψi1,pψi2⋯pψik}Pψi=p1ψi,p2ψi⋯pkψi,以及平面参数(nL,dL)nL,dL,其中,nLnL
表示 L 系下的平面法向量。
拟合平面后,需要进一步获取线特征,计算直线参数。如图 2 所示,由于
Velodyne16 线激光雷达的点云稀疏,为了使拟合结果更加准确,本文采取了多帧点云叠加
拟合边缘线的方法。首先,用深度滤波和强度滤波获取第 i 次观测中第 j 条边缘线 λi,jλi,j 拟
合的候选点 P˜λi,j={pλi,j1,pλi,j2⋯pλi,jM}P˜λi,j=p1λi,j,p2λi,j⋯pMλi,j;然后,用 RANSAC 方法
拟合直线,由于激光雷达点云中标定板边缘的噪声大,而中心的噪声在有限的范围内
[28]
,
为了减弱边缘线噪声的影响,将边缘点 P˜λi,jP˜λi,j 投影到平面上,再用 RANSAC 方法计算
直线参数。
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3655
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功