CN112233188A - 一种基于激光雷达的车顶全景相机及其标定方法 - Google Patents
一种基于激光雷达的车顶全景相机及其标定方法 Download PDFInfo
- Publication number
- CN112233188A CN112233188A CN202011153637.6A CN202011153637A CN112233188A CN 112233188 A CN112233188 A CN 112233188A CN 202011153637 A CN202011153637 A CN 202011153637A CN 112233188 A CN112233188 A CN 112233188A
- Authority
- CN
- China
- Prior art keywords
- camera
- fisheye
- panoramic
- image
- laser radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000004744 fabric Substances 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 230000007704 transition Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于激光雷达的车顶全景相机及其标定方法,包括架设在车顶的全景相机和环扫式激光雷达,全景相机和环扫式激光雷达之间相互垂直且不遮挡,标定方法包括:S1:将标定好的全景相机安装在汽车顶部;S2:制作印刷有规则的棋盘格的长方形标定布;S3:将汽车行驶至标定布上,汽车与标定布长边和短边对齐,并且汽车坐标系原点与棋盘格某一角点对齐;S4:采集所述全景相机的标定图像,并测量标定图像上部分角点的像素坐标和对应整车坐标系的三维坐标;S5:通过非线性优化算法,获取全景相机至汽车坐标系的数据转换外参。本发明构造的全景相机在车顶上方获取感知区域的全景图像,能进行交通标识的检测和识别,形成全景环境感知***。
Description
技术领域
本发明属于全景相机标定领域,尤其是涉及一种用于汽车车顶的环境感知***的全景相机及其标定方法。
背景技术
智能驾驶技术在预防及避免交通事故方面发挥重要作用。为代替人类驾驶员完成周围环境感知和认知,智能驾驶车辆通常配备有环境感知传感器,如相机、激光雷达和毫米波雷达等。但是,基于单一传感器的环境感知技术存在不足,例如,图像虽提供丰富的彩色语义信息,但由于成像原理,各像素未提供深度信息;激光雷达能够提供空间三维点云信息,但点云通常比较稀疏导致小物体容易出现漏检情况;毫米波雷达抗环境干扰能力强,但精度较低且常出现杂波。针对单一传感器的不足,传感器融合逐渐受到广泛的重视。
智能汽车通常配备多个传感器形成准确且冗余的感知***,且对于智能汽车的特定问题,近年已经提出多种融合***,如激光雷达与相机、相机与相机、激光雷达与激光雷达、相机与IMU、激光雷达与IMU、环视相机与超声波等,尤其是激光雷达与相机的融合,极大提高环境目标检测的准确率。但当前大部分图像与激光点云的数据融合主要使用平面相机与激光雷达的融合方案或者超过2个相机构成的全景相机。另外,多传感器融合的前提条件是各传感器数据之间能够形成空间对准,数据对准的精度直接将决定融合结果。目前多传感器融合装置及标定方法主要存在如下不足:
(1)基于多个相机组装而成的全景相机通过朝向不同的平面相机进行图像拼接技术,从而获得全景图像,但由于各相机的光心偏离较大,拼接图像容易出现严重的纹理不均匀现象。即使是采用最小二乘等图像变换算法,只有部分纹理能够对齐,但由于像素移动较大,造成部分物体失真或像素的空间位置不准确。
(2)当前存在部分融合装置将激光雷达放在全景相机上方。该方式虽能够保证所有激光雷达点云的数据不受支架的遮挡,但全景相机的上方区域将受到激光雷达的底面遮挡,导致融合装置上方较大区域将不被传感器覆盖。
(3)传感器之间的外参主要用于获取两个传感器坐标系之间的数据转换关系,若直接用于多传感器之间的联合标定将产生累计误差。目前没有合适的标定方法能够同时标定两个鱼眼摄像头和一个激光雷达组成的全景相机。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提一种基于激光雷达的车顶全景相机及其标定方法。
本发明的目的通过以下技术方案来实现:一种基于激光雷达的车顶全景相机及其标定方法,包括采用支架架设在车顶的全景相机和环扫式激光雷达,所述全景相机和所述环扫式激光雷达之间相互垂直且不遮挡,全景相机既能设置在环扫式激光雷达正上方,也能设置在环扫式激光雷达正下方,当然,为了使全景相机和环扫式激光雷达方便安装,需要设计专门的支架。
所述标定方法包括以下步骤:
S1:将标定好的全景相机安装在汽车顶部;
S2:制作长方形标定布,标定布上印刷有规则的棋盘格,并将标定布铺设在表面平整的水平地面;
S3:将汽车行驶至标定布上,要求车头方向定义为X轴与长方形标定布长边平行,汽车朝左方向定义为Y轴与长方形标定布短边平行,并且整车坐标系原点与棋盘格某一角点对齐;
S4:采集所述全景相机的标定图像,并测量标定图像上部分角点的像素坐标和对应整车坐标系的三维坐标;
S5:通过非线性优化算法,获取全景相机至汽车坐标系的数据转换外参Ts2v=(Rs2v,ts2v)。
设全景相机感知任意一个障碍物的坐标在全景相机坐标系为O(xs,ys,zs),则所述障碍物在汽车坐标系下的坐标为:
进一步地,全景相机由两个背靠背贴合安装的鱼眼摄像头组合而成;其中一个鱼眼摄像头正对汽车前进方向,另外一个鱼眼摄像头正对汽车后方。
进一步地,全景相机和所述环扫式激光雷达之间的时空对准主要包括时间同步和空间同步;
所述空间同步主要求取数据之间相互对齐的转换矩阵T,方法如下:
两个鱼眼摄像头所获取的两张鱼眼图像,以获取鱼眼图像内各黑点的像素位置,各黑点在环境坐标系的三维位置也已知,则通过非线性优化方法,求取重投影误差的目标损失函数最小,即求出环境坐标系与两个所述鱼眼摄像头的外参转换矩阵Tg2c1和Tg2c2,目标损失函数如下:
分别获取标定环境坐标系与环扫式激光雷达、两个鱼眼摄像头的外参转换矩阵Tl2g,Tg2c1和Tg2c2后,再获取环扫式激光雷达、两个鱼眼摄像头之间的外参Tl2c1和Tc22c1,所述环扫式激光雷达的激光点云(xl,yl,zl)投影至所述鱼眼摄像头的鱼眼图像的像素坐标(uc,vc)公式如下:
其中,激光点云先转换至鱼眼相机坐标系坐标(xc,yc,zc),fK为鱼眼摄像头坐标系下的三维点投影至图像平面的转换公式,如下:
fK:
θdist=θ(1+p1·θ2+p2·θ4+p3·θ6+p4·θ8)
其中,fx,fy,u0,v0,p1,p2,p3,p4为鱼眼摄像头内参,由内参标定方法获取。
而两个所述鱼眼摄像头进行全景图像拼接,从而构成全景相机的功能;
首先,需要根据两个所述鱼眼摄像头之间的数据转换矩阵,将后视的所述鱼眼摄像头的图像投影到前视的所述鱼眼摄像头,从而形成球面全景视图;将后视的所述鱼眼摄像头的图像投影到半径为1的球面上,再通过旋转球面上的像素点,将像素点与前视的所述鱼眼摄像头的坐标系重合,转换矩阵为:
转换好的像素点按照fK投影公式,投影至球面鱼眼摄像头(1)获取的图像,从而形成全景图像;两个所述鱼眼摄像头在全景展开后像素重合的区域采用alpha混合算法进行融合,融合后的全景图在过渡部分的图像纹理和亮度更加连续且均匀过渡,从而构造成全景相机而形成全景图像;
环扫式激光雷达的激光点云投影至所述鱼眼摄像头的转换矩阵以及两个所述鱼眼摄像头图像之间拼接成全景相机图像的公式如下:
激光点云至前视鱼眼摄像头图像:Tl2g·Tg2c1
鱼眼图像的全景拼接公式:Tc22c1·Tg2c1·T-1 g2c2,其中,前视鱼眼摄像头的光轴正对汽车驾驶方向,T-1 g2c2为Tg2c2的逆矩阵,Tc22c1为绕y轴旋转180度的转换矩阵。
所述时间同步,对于两个型号相同的所述鱼眼摄像头,由于帧率相同,只需要设置相同图像捕获时间,并启动多线程即能够同步获取两个所述鱼眼相机的图像;对于所述环扫激光雷达与所述鱼眼摄像头之间的异构传感器时间同步,由于帧率不同,将帧率较低的所述环扫激光雷达的帧率作为数据更新帧率,并在激光点云数据输出时,将当前所述鱼眼摄像头的图像输出,形成时间同步。
进一步地,全景相机和所述环扫式激光雷达之间的异构数据融合方法侧重于全景图像与全景激光点云的融合,分为像素级融合、特征级融合和目标级融合,计算公式为:
像素级融合:
特征级融合:
目标级融合:
其中,xc为相机图像的原始图像,xl为激光雷达的原始点云,ConvE代表在像素级融合的深度卷积神经网络,ConvM为特征及级融合的深度卷积神经网络,Convc和Convl分别表示全景相机图像和环扫式激光雷达的处理的神经网络。
进一步地,全景图像拼接过程中,两个所述鱼眼摄像头在全景展开后像素重合的区域采用alpha混合算法进行融合。
与现有技术相比,本发明具有以下优点:
(1)本发明采用长方形标定布能够同时标定两个鱼眼摄像头和环扫式激光雷达组成的全景相机的外参,且只需要把汽车驶入标定布即能完成,标定方法简洁、高效。
(2)全景相机和环扫式激光雷达之间相互垂直且不遮挡,并使全景相机的过渡区域指向汽车的两侧,使得汽车前后重点区域的部分具有较高的像素质量。同时,全景相机的上方区域不受任何遮挡,有利于识别交通标志,如信号灯或指路牌等。
(3)在获取全景相机外参时,将展开的图像的过渡部分采用alpha混合算法进行融合,过渡部分的图像纹理和亮度更加连续且均匀过渡,从而构造成全景相机而形成全景图像。
附图说明
图1为本发明一种基于激光雷达的车顶全景相机的标定方法流程图;
图2为本发明一种基于激光雷达的车顶全景相机的融合区域示意图;
图3为本发明一种基于激光雷达的车顶全景相机的标定方法示意图;
图4为本发明全景相机和环扫式激光雷达的数据转换图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1-3所示,一种基于激光雷达的车顶全景相机及其标定方法,包括采用支架架设在车顶的全景相机和环扫式激光雷达,所述全景相机和所述环扫式激光雷达之间相互垂直且不遮挡,全景相机既能设置在环扫式激光雷达正上方,也能设置在环扫式激光雷达正下方,当然,为了使全景相机和环扫式激光雷达方便安装,需要设计专门的支架。
一种基于激光雷达的车顶全景相机的标定方法包括以下步骤:
S1:将标定好的全景相机安装在汽车顶部;
S2:制作长方形标定布,标定布上印刷有规则的棋盘格,并将标定布铺设在表面平整的水平地面;
S3:将汽车行驶至标定布上,要求车头方向定义为X轴与长方形标定布长边平行,汽车朝左方向定义为Y轴与长方形标定布短边平行,并且整车坐标系原点与棋盘格某一角点对齐;
S4:采集所述全景相机的标定图像,并测量标定图像上部分角点的像素坐标和对应整车坐标系的三维坐标;
S5:通过非线性优化算法,获取全景相机至汽车坐标系的数据转换外参Ts2v=(Rs2v,ts2v)。
设全景相机感知任意一个障碍物的坐标在全景相机坐标系为O(xs,ys,zs),则所述障碍物在汽车坐标系下的坐标为:
优选地,全景相机由两个背靠背贴合安装的鱼眼摄像头组合而成;其中一个鱼眼摄像头正对汽车前进方向,另外一个鱼眼摄像头正对汽车后方。
具体安装方法为:首先,将两个鱼眼摄像头组成的全景相机1在支架3顶部,同时将环扫式激光雷达2紧固在支架3的侧边,并使环扫式激光雷达2位于全景相机1的正下方,或者将全景相机1和环扫式激光雷达2的位置调换,即将环扫式激光雷达2架设在支架3顶部,而全景相机1位于环扫式激光雷达2的正下方,此时需对支架3进行改进设计,例如将紧固全景相机1的部分设计成一个圆环;最后,将数据线沿着支架3侧面固定,避免线束干扰激光雷达的点云。
优选地,全景相机和所述环扫式激光雷达之间的时空对准主要包括时间同步和空间同步;
空间同步主要求取数据之间相互对齐的转换矩阵T,方法如下:
两个鱼眼摄像头所获取的两张鱼眼图像,以获取鱼眼图像内各黑点的像素位置,各黑点在环境坐标系的三维位置也可知,则通过非线性优化方法,求取重投影误差的目标损失函数最小,即求出环境坐标系与两个所述鱼眼摄像头的外参转换矩阵Tg2c1和Tg2c2,目标损失函数如下:
分别获取标定环境坐标系与环扫式激光雷达、两个鱼眼摄像头的外参转换矩阵Tl2g,Tg2c1和Tg2c2后,再获取环扫式激光雷达、两个鱼眼摄像头之间的外参Tl2c1和Tc22c1,如图4所示,所述环扫式激光雷达的激光点云(xl,yl,zl)投影至所述鱼眼摄像头的鱼眼图像的像素坐标(uc,vc)公式如下:
其中,激光点云先转换至鱼眼相机坐标系坐标(xc,yc,zc),fK为鱼眼摄像头坐标系下的三维点投影至图像平面的转换公式,如下:
fK:
θdist=θ(1+p1·θ2+p2·θ4+p3·θ6+p4·θ8)
其中,fx,fy,u0,v0,p1,p2,p3,p4为鱼眼摄像头内参,由内参标定方法获取。
而两个所述鱼眼摄像头进行全景图像拼接,从而构成全景相机的功能;
首先,需要根据两个所述鱼眼摄像头之间的数据转换矩阵,将后视的所述鱼眼摄像头的图像投影到前视的所述鱼眼摄像头,从而形成球面全景视图;将后视的所述鱼眼摄像头的图像投影到半径为1的球面上,再通过旋转球面上的像素点,将像素点与前视的所述鱼眼摄像头的坐标系重合,转换矩阵为:
转换好的像素点按照fK投影公式,投影至球面鱼眼摄像头(1)获取的图像,从而形成全景图像;两个所述鱼眼摄像头在全景展开后像素重合的区域采用alpha混合算法进行融合,融合后的全景图在过渡部分的图像纹理和亮度更加连续且均匀过渡,从而构造成全景相机而形成全景图像;
时间同步,对于两个型号相同的所述鱼眼摄像头,由于帧率相同,只需要设置相同图像捕获时间,并启动多线程即能够同步获取两个所述鱼眼相机的图像;对于所述环扫激光雷达与所述鱼眼摄像头之间的异构传感器时间同步,由于帧率不同,将帧率较低的所述环扫激光雷达的帧率作为数据更新帧率,并在激光点云数据输出时,将当前所述鱼眼摄像头的图像输出,形成时间同步。
对于鱼眼摄像头与环扫式激光雷达的异构传感器目标级数据融合,时间同步问题可以不用考虑,此时在融合过程中通过sensor-to-global Kalman filter的方式,将各传感器的观测数据z(t)与全局***的预测数据相融合,融合后的数据为
优选地,全景相机和所述环扫式激光雷达之间的异构数据融合方法侧重于全景图像与全景激光点云的融合,分为像素级融合、特征级融合和目标级融合,计算公式为:
像素级融合:
特征级融合:
目标级融合:
其中,xc为相机图像的原始图像,xl为激光雷达的原始点云,ConvE代表在像素级融合的深度卷积神经网络,ConvM为特征及级融合的深度卷积神经网络,Convc和Convl分别表示全景相机图像和环扫式激光雷达的处理的神经网络。
进一步地,环扫式激光雷达的激光点云投影至所述鱼眼摄像头的转换矩阵以及两个所述鱼眼摄像头图像之间拼接成全景相机图像的公式如下:
激光点云至前视鱼眼摄像头图像:Tl2g·Tg2c1
鱼眼图像的全景拼接公式:Tc22c1·Tg2c1·T-1 g2c2,其中,前视鱼眼摄像头的光轴正对汽车驾驶方向,T-1 g2c2为Tg2c2的逆矩阵,Tc22c1为绕y轴旋转180度的转换矩阵。
优选地,全景图像拼接过程中,两个所述鱼眼摄像头在全景展开后像素重合的区域采用alpha混合算法进行融合。
总之,本发明通过两个鱼眼摄像头构造的全景相机能够形成360度区域的感知,且与环扫式激光雷达不会发生遮挡。安装在汽车顶部后,前后方重要区域能够同时被全景相机和激光雷达覆盖。另外,本发明提供的标定方法能够同时标定安装在车顶的全景相机和环扫式激光雷达的外参,标定方法更加稳定可靠。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于激光雷达的车顶全景相机及其标定方法,其特征在于:包括采用支架架设在车顶的全景相机和环扫式激光雷达,所述全景相机和所述环扫式激光雷达之间相互垂直且不遮挡,所述标定方法包括以下步骤:
S1:将标定好的全景相机安装在汽车顶部;
S2:制作长方形标定布,标定布上印刷有规则的棋盘格,并将标定布铺设在表面平整的水平地面;
S3:将汽车行驶至标定布上,要求车头方向定义为X轴与长方形标定布长边平行,汽车朝左方向定义为Y轴与长方形标定布短边平行,并且整车坐标系原点与棋盘格某一角点对齐;
S4:采集所述全景相机的标定图像,并测量标定图像上部分角点的像素坐标和对应整车坐标系的三维坐标;
S5:通过非线性优化算法,获取全景相机至汽车坐标系的数据转换外参Ts2v=(Rs2v,ts2v);
设全景相机感知任意一个障碍物的坐标在全景相机坐标系为O(xs,ys,zs),则所述障碍物在汽车坐标系下的坐标为:
2.根据权利要求1所述的一种基于激光雷达的车顶全景相机及其标定方法,其特征在于,所述全景相机由两个背靠背贴合安装的鱼眼摄像头组合而成;其中一个鱼眼摄像头正对汽车前进方向,另外一个鱼眼摄像头正对汽车后方。
3.根据权利要求2所述的一种基于激光雷达的车顶全景相机及其标定方法,其特征在于:所述全景相机和所述环扫式激光雷达之间的时空对准包括时间同步和空间同步;
所述空间同步主要求取数据之间相互对齐的转换矩阵T,方法如下:
两个鱼眼摄像头所获取的两张鱼眼图像,以获取鱼眼图像内各黑点的像素位置,各黑点在环境坐标系的三维位置也已知,则通过非线性优化方法,求取重投影误差的目标损失函数最小,即求出环境坐标系与两个所述鱼眼摄像头的外参转换矩阵Tg2c1和Tg2c2,目标损失函数如下:
分别获取标定环境坐标系与环扫式激光雷达、两个鱼眼摄像头的外参转换矩阵Tl2g,Tg2c1和Tg2c2后,再获取环扫式激光雷达、两个鱼眼摄像头之间的外参Tl2c1和Tc22c1,所述环扫式激光雷达的激光点云(xl,yl,zl)投影至所述鱼眼摄像头的鱼眼图像的像素坐标(uc,vc)公式如下:
其中,激光点云先转换至鱼眼相机坐标系坐标(xc,yc,zc),fK为鱼眼摄像头坐标系下的三维点投影至图像平面的转换公式,如下:
fK:
θdist=θ(1+p1·θ2+p2·θ4+p3·θ6+p4·θ8)
其中,fx,fy,u0,v0,p1,p2,p3,p4为鱼眼摄像头内参,由内参标定方法获取;
而两个所述鱼眼摄像头进行全景图像拼接,从而构成全景相机的功能;
首先,需要根据两个所述鱼眼摄像头之间的数据转换矩阵,将后视的所述鱼眼摄像头的图像投影到前视的所述鱼眼摄像头,从而形成球面全景视图;将后视的所述鱼眼摄像头的图像投影到半径为1的球面上,再通过旋转球面上的像素点,将像素点与前视的所述鱼眼摄像头的坐标系重合,转换矩阵为:
转换好的像素点按照fK投影公式,投影至球面鱼眼摄像头获取的图像,从而形成全景图像;
所述环扫式激光雷达的激光点云投影至所述鱼眼摄像头的转换矩阵以及两个所述鱼眼摄像头图像之间拼接成全景相机图像的公式如下:
激光点云至前视鱼眼摄像头图像:Tl2g·Tg2c1
鱼眼摄像头图像的全景拼接公式:Tc22c1·Tg2c1·T-1 g2c2,其中,前视鱼眼摄像头的光轴正对汽车驾驶方向,T-1 g2c2为Tg2c2的逆矩阵,Tc22c1为绕y轴旋转180度的转换矩阵;
所述时间同步,对于两个型号相同的所述鱼眼摄像头,由于帧率相同,只需要设置相同图像捕获时间,并启动多线程即能够同步获取两个所述鱼眼相机的图像;对于所述环扫激光雷达与所述鱼眼摄像头之间的异构传感器时间同步,由于帧率不同,将帧率较低的所述环扫激光雷达的帧率作为数据更新帧率,并在激光点云数据输出时,将当前所述鱼眼摄像头的图像输出,形成时间同步。
5.根据权利要求3所述的一种基于激光雷达的车顶全景相机及其标定方法,其特征在于:所述全景图像拼接过程中,两个所述鱼眼摄像头在全景展开后像素重合的区域采用alpha混合算法进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011153637.6A CN112233188B (zh) | 2020-10-26 | 2020-10-26 | 一种激光雷达和全景相机的数据融合***的标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011153637.6A CN112233188B (zh) | 2020-10-26 | 2020-10-26 | 一种激光雷达和全景相机的数据融合***的标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233188A true CN112233188A (zh) | 2021-01-15 |
CN112233188B CN112233188B (zh) | 2024-03-12 |
Family
ID=74110032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011153637.6A Active CN112233188B (zh) | 2020-10-26 | 2020-10-26 | 一种激光雷达和全景相机的数据融合***的标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233188B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096187A (zh) * | 2021-05-03 | 2021-07-09 | 湖北汽车工业学院 | 一种车辆与障碍物相对位置自动获取方法 |
CN113192182A (zh) * | 2021-04-29 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于多传感器的实景重建方法及*** |
CN113205604A (zh) * | 2021-05-17 | 2021-08-03 | 南昌智能新能源汽车研究院 | 一种基于摄像机和激光雷达的可行区域检测方法 |
CN113759385A (zh) * | 2021-08-12 | 2021-12-07 | 江苏徐工工程机械研究院有限公司 | 一种激光雷达和相机融合测距方法及*** |
CN113838145A (zh) * | 2021-09-24 | 2021-12-24 | 重庆长安汽车股份有限公司 | 一种车载相机外参自动标定方法 |
CN116203542A (zh) * | 2022-12-31 | 2023-06-02 | 中山市博测达电子科技有限公司 | 激光雷达畸变的测试标定方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508258A (zh) * | 2011-11-29 | 2012-06-20 | 中国电子科技集团公司第二十七研究所 | 一种测绘信息获取激光三维成像雷达 |
CN102608613A (zh) * | 2012-03-20 | 2012-07-25 | 西安理工大学 | 一种激光雷达对点目标探测能力的精确标定装置与方法 |
CN104156972A (zh) * | 2014-08-25 | 2014-11-19 | 西北工业大学 | 基于激光扫描测距仪与多相机融合的透视成像方法 |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及*** |
CN104833372A (zh) * | 2015-04-13 | 2015-08-12 | 武汉海达数云技术有限公司 | 一种车载移动测量***高清全景相机外参数标定方法 |
CN107133988A (zh) * | 2017-06-06 | 2017-09-05 | 科大讯飞股份有限公司 | 车载全景环视***中摄像头的标定方法及标定*** |
CN108805801A (zh) * | 2018-05-24 | 2018-11-13 | 北京华捷艾米科技有限公司 | 一种全景图像校正方法及*** |
CN109360245A (zh) * | 2018-10-26 | 2019-02-19 | 魔视智能科技(上海)有限公司 | 无人驾驶车辆多相机***的外参数标定方法 |
CN110162919A (zh) * | 2019-05-31 | 2019-08-23 | 中国汽车工程研究院股份有限公司 | 一种基于极限温度场下的车辆内饰撞击异响风险等级标定方法 |
CN110221275A (zh) * | 2019-05-21 | 2019-09-10 | 菜鸟智能物流控股有限公司 | 一种激光雷达与相机之间的标定方法和装置 |
CN111369630A (zh) * | 2020-02-27 | 2020-07-03 | 河海大学常州校区 | 一种多线激光雷达与相机标定的方法 |
CN111382541A (zh) * | 2018-12-29 | 2020-07-07 | 达索***公司 | 神经网络的集合 |
CN111400960A (zh) * | 2018-12-29 | 2020-07-10 | 美宅科技(北京)有限公司 | 一种家具主动定制方法和主动定制装置 |
US10726579B1 (en) * | 2019-11-13 | 2020-07-28 | Honda Motor Co., Ltd. | LiDAR-camera calibration |
-
2020
- 2020-10-26 CN CN202011153637.6A patent/CN112233188B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508258A (zh) * | 2011-11-29 | 2012-06-20 | 中国电子科技集团公司第二十七研究所 | 一种测绘信息获取激光三维成像雷达 |
CN102608613A (zh) * | 2012-03-20 | 2012-07-25 | 西安理工大学 | 一种激光雷达对点目标探测能力的精确标定装置与方法 |
CN104156972A (zh) * | 2014-08-25 | 2014-11-19 | 西北工业大学 | 基于激光扫描测距仪与多相机融合的透视成像方法 |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及*** |
CN104833372A (zh) * | 2015-04-13 | 2015-08-12 | 武汉海达数云技术有限公司 | 一种车载移动测量***高清全景相机外参数标定方法 |
CN107133988A (zh) * | 2017-06-06 | 2017-09-05 | 科大讯飞股份有限公司 | 车载全景环视***中摄像头的标定方法及标定*** |
CN108805801A (zh) * | 2018-05-24 | 2018-11-13 | 北京华捷艾米科技有限公司 | 一种全景图像校正方法及*** |
CN109360245A (zh) * | 2018-10-26 | 2019-02-19 | 魔视智能科技(上海)有限公司 | 无人驾驶车辆多相机***的外参数标定方法 |
CN111382541A (zh) * | 2018-12-29 | 2020-07-07 | 达索***公司 | 神经网络的集合 |
CN111400960A (zh) * | 2018-12-29 | 2020-07-10 | 美宅科技(北京)有限公司 | 一种家具主动定制方法和主动定制装置 |
CN110221275A (zh) * | 2019-05-21 | 2019-09-10 | 菜鸟智能物流控股有限公司 | 一种激光雷达与相机之间的标定方法和装置 |
CN110162919A (zh) * | 2019-05-31 | 2019-08-23 | 中国汽车工程研究院股份有限公司 | 一种基于极限温度场下的车辆内饰撞击异响风险等级标定方法 |
US10726579B1 (en) * | 2019-11-13 | 2020-07-28 | Honda Motor Co., Ltd. | LiDAR-camera calibration |
CN111369630A (zh) * | 2020-02-27 | 2020-07-03 | 河海大学常州校区 | 一种多线激光雷达与相机标定的方法 |
Non-Patent Citations (3)
Title |
---|
QINGQUAN FENG: "Radar-Vision Fusion for Correcting the Position of Target Vehicles", 《2018 10TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS (IHMSC)》 * |
曹明玮: "基于监督式学习的全景相机与激光雷达的联合标定", 《机电一体化》 * |
欧阳毅: "基于激光雷达与视觉融合的环境感知与自主定位***", 《中国优秀硕士论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192182A (zh) * | 2021-04-29 | 2021-07-30 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于多传感器的实景重建方法及*** |
CN113096187A (zh) * | 2021-05-03 | 2021-07-09 | 湖北汽车工业学院 | 一种车辆与障碍物相对位置自动获取方法 |
CN113205604A (zh) * | 2021-05-17 | 2021-08-03 | 南昌智能新能源汽车研究院 | 一种基于摄像机和激光雷达的可行区域检测方法 |
CN113759385A (zh) * | 2021-08-12 | 2021-12-07 | 江苏徐工工程机械研究院有限公司 | 一种激光雷达和相机融合测距方法及*** |
CN113838145A (zh) * | 2021-09-24 | 2021-12-24 | 重庆长安汽车股份有限公司 | 一种车载相机外参自动标定方法 |
CN113838145B (zh) * | 2021-09-24 | 2024-04-30 | 重庆长安汽车股份有限公司 | 一种车载相机外参自动标定方法 |
CN116203542A (zh) * | 2022-12-31 | 2023-06-02 | 中山市博测达电子科技有限公司 | 激光雷达畸变的测试标定方法 |
CN116203542B (zh) * | 2022-12-31 | 2023-10-03 | 中山市博测达电子科技有限公司 | 激光雷达畸变的测试标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112233188B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233188B (zh) | 一种激光雷达和全景相机的数据融合***的标定方法 | |
US9858639B2 (en) | Imaging surface modeling for camera modeling and virtual view synthesis | |
CN109360245B (zh) | 无人驾驶车辆多相机***的外参数标定方法 | |
CN107133988B (zh) | 车载全景环视***中摄像头的标定方法及标定*** | |
CN109283538B (zh) | 一种基于视觉和激光传感器数据融合的海上目标大小检测方法 | |
CN112308927B (zh) | 一种全景相机与激光雷达的融合装置及其标定方法 | |
JP4695167B2 (ja) | 車両の後方視認システムの歪みを補正し且つ像を強調する方法及び装置 | |
US8130270B2 (en) | Vehicle-mounted image capturing apparatus | |
US11762071B2 (en) | Multi-mode multi-sensor calibration | |
CN103065323B (zh) | 一种基于单应性变换矩阵的分段空间对准方法 | |
US20140114534A1 (en) | Dynamic rearview mirror display features | |
CN112907676A (zh) | 传感器的标定方法、装置、***、车辆、设备及存储介质 | |
CN112180373A (zh) | 一种多传感器融合的智能泊车***和方法 | |
CN105445721A (zh) | 基于带特征突起v型标定物的激光雷达与摄像机联合标定方法 | |
CN109657638A (zh) | 障碍物定位方法、装置和终端 | |
US11410334B2 (en) | Vehicular vision system with camera calibration using calibration target | |
CN103802725A (zh) | 一种新的车载驾驶辅助图像生成方法 | |
CN110750153A (zh) | 一种无人驾驶车辆的动态虚拟化装置 | |
CN113492829B (zh) | 数据处理的方法和装置 | |
CN115176124A (zh) | 检测器的姿势/位置检测装置 | |
CN115936995A (zh) | 一种车辆四路鱼眼摄像头全景拼接方法 | |
CN116245722A (zh) | 一种应用于重高型车辆的全景影像拼接***及方法 | |
JP4720446B2 (ja) | 車両検出装置及びこれを用いた車両用表示装置 | |
CN114782548A (zh) | 基于全局图像的雷视数据标定方法、装置、设备及介质 | |
US20220118916A1 (en) | Surround view monitoring system and providing method of the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |