CN112270713B - 标定方法以及装置、存储介质、电子装置 - Google Patents

标定方法以及装置、存储介质、电子装置 Download PDF

Info

Publication number
CN112270713B
CN112270713B CN202011094343.0A CN202011094343A CN112270713B CN 112270713 B CN112270713 B CN 112270713B CN 202011094343 A CN202011094343 A CN 202011094343A CN 112270713 B CN112270713 B CN 112270713B
Authority
CN
China
Prior art keywords
calibration plate
point cloud
calibration
sensor
plane
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.)
Active
Application number
CN202011094343.0A
Other languages
English (en)
Other versions
CN112270713A (zh
Inventor
欧阳真超
崔家赫
何云翔
朱进文
牛建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202011094343.0A priority Critical patent/CN112270713B/zh
Publication of CN112270713A publication Critical patent/CN112270713A/zh
Application granted granted Critical
Publication of CN112270713B publication Critical patent/CN112270713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • G06T2207/30208—Marker matrix

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例中提供了标定方法以及装置、存储介质、电子装置，其中所述方法包括：采集固态激光雷达的点云数据，获取标定板所在的区域；根据所述区域提取得到标定板点云；通过非线性优化拟合出所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为所述传感器中的固态激光雷达对标定板进行测量所得到点云的三维内角点坐标；根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机的对标定板进行拍摄所得到图像的二维内角点坐标；通过所述外参转换矩阵在所述传感器中进行标定。采用本申请中的方案增加标定精度，减少人工干预。

Description

标定方法以及装置、存储介质、电子装置
技术领域
本申请涉及自动驾驶技术，具体地，涉及标定方法以及装置、存储介质、电子装置。
背景技术
通过装配在车身不同位置的传感器，能够获取开放环境下的道路、行人以及来往车辆等信息，并且用于自动驾驶***中。
在相关技术中自动驾驶汽车感知方案能够同时获得真实世界的视觉信息和空间上的三维空间距离信息。但需要针对相机二维平面成像结果和稀疏激光雷达点云三维数据进行配准。但标定精度会被多种因素影响。
针对相关技术中，在自动驾驶***中的感知任务的标定方案效果不佳的问题，目前尚未存在有效的解决方案。
发明内容
本申请实施例中提供了对固态激光雷达-相机多传感器***的标定方法以及装置、存储介质、电子装置，以至少解决相关技术中在自动驾驶***中的感知任务的标定方案效果不佳的问题。
根据本申请实施例的第一个方面，提供了一种标定方法，包括：采集固态激光雷达的点云数据，获取标定板所在的区域；根据所述区域提取得到标定板；根据所述标定板求解得到所述标定板平面按照点云空间分布的坐标；根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵。其中，所述第一角点位置坐标为所述传感器中的固态激光雷达对标定板进行测量所得到点云的三维内角点坐标；所述第二角点位置坐标为所述传感器中的相机的对标定板进行拍摄所得到图像的二维内角点坐标；通过所述外参转换矩阵在所述传感器中进行标定。
可选地，通过所述外参转换矩阵在所述传感器中进行标定之后，还包括：将所述传感器中的雷达点云数据投影到所述传感器中的相机的成像平面；和/或，将所述传感器中的可见光图像数据映射到三维空间。
可选地，所述根据所述区域提取得到标定板包括：计算所述区域中点云的Z轴高度的概率密度分布；将概率密度分布的离散概率密度转化为直方图；计算所述直方图中相邻的两个格之间的梯度；根据梯度计算结果分割提取得到所述标定板。
可选地，所述根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标包括：基于随机采样一致性的平面分割方法，对所述标定板的点云数据进行平面拟合，得到所述标定板的拟合平面；在所述标定板的拟合平面确定所述标定板的平面按照点云空间分布的坐标。
可选地，所述根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标包括：根据所述标定板的实际尺寸参数宽度、高度以及标定板的大小，在二维平面内生成预设标定板；通过求解实际点云数据与所述预设标定板的三维位姿差值，以使实际点云数据的反射率随空间分布情况与预设标定板中一致。
可选地，所述采集传感器的点云数据，确定标定板所在的区域包括：将采集到的点云数据利用统计离群点过滤，并将连续时间内的点云数据在空间上叠加；标出所述标定板初始位置的区域。
可选地，所述根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵包括：所述传感器包括：相机、固态激光雷达，获取所述标定板中标定数据中图像的点云数据对应的所述第二角点和所述第一角点；根据所述相机内参、所述第二角点以及所述第一角点，利用随机抽样一致性方法进行PNP问题的求解，获取到所述相机和所述固态激光雷达之间的标定外参。
根据本申请实施例的第二个方面，提供了一种标定装置包括：采集模块，用于采集传感器的点云数据，获取标定板所在的区域；分割提取模块，用于根据所述区域提取得到标定板；拟合模块，用于根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标；角点位置确定模块，用于根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为所述传感器中的固态激光雷达对标定板进行测量所得到点云的三维内角点坐标；外参矩阵求解模块，用于根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机对标定板进行拍摄所得到图像的二维内角点坐标；所述外参矩阵求解模块，还用于通过求解得到的所述外参转换矩阵在所述传感器中进行标定。
根据本申请实施例的第三个方面，提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述的方法。
根据本申请实施例的第四个方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的方法。
采用本申请实施例中提供标定方法以及装置、存储介质、电子装置，首先通过时域进行点云积分实现局部静态点云的稠密化获取丰富的目标点云数据，并基于区域检测、平面拟合和拟牛顿法优化得到标定板角点点云的三维坐标。然后结合传感器中相机内参标定和角点检测获取图中标定板的角点二维坐标。最后通过随机抽样一致性算法对二维点云数据-二维图像的投影矩阵进行优化，即为不同传感器之间的外参投影结果。取得了增加标定精度，减少人工干预的技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中的标定方法流程示意图；
图2为本申请实施例中的标定装置结构示意图；
图3为本申请实施例中的检测3D点云中棋盘格标定板的角点流程示意图；
图4为本申请实施例中的检测图片中棋盘格标定板的角点流程示意图；
图5为本申请实施例中的计算雷达-相机外参矩阵的流程示意图；
图6本申请实施例中的雷达点云俯视图示意图；
图7本申请实施例中的棋盘格标定板在点云中的区域示意图；
图8本申请实施例中的从棋盘格点云的区域中分割出标定板示意图；
图9本申请实施例中的在点云对应的图像中检测2D角点示意图；
图10本申请实施例中的利用外参矩阵标定雷达-相机示意图。
具体实施方式
在实现本申请的过程中，发明人发现，在自动驾驶***中，如果采用单目视觉传感器方案，其成本低、能为自动驾驶汽车提供丰富的图像信息，但却无法提供可靠精准的三维空间距离信息；如果采用双目相机通过视差标定可以提供近距离的三维空间距离信息，但在超出有限距离后数据精度较差，且无法适用于户外场景。
进一步，采用激光雷达虽然成本较高，但是能够提供200米范围内的高精度的三维空间距离信息。通过多种传感器互相配合，实现全方位的车身环境感知是目前的通用方案。由于固态激光雷达成本低、点云稠密有利于在无人驾驶平台广泛普及，但固态激光雷达的非重复式扫描、易受颜色影响、测量噪声大等缺陷也导致实际使用需要进行针对性优化。
在自动驾驶感知***中，多传感器融合不仅能扩大自动驾驶汽车的视野，还可以弥补不同传感器感知方式之间的缺陷，但是当前融合策略需要提前完成不同传感器的标定，将不同传感器的原始感知数据投影到统一坐标系下，针对不同类型传感器进行标定和时间戳同步具有较高的要求。
由于自动驾驶汽车感知方案通过相机-激光进行信息融合，能够同时获得真实世界的视觉信息和空间上的三维空间距离信息，但需要针对相机平面二维成像结果和稀疏激光雷达点云数据三维进行配准。此外，固态激光雷达受目标颜色对激光束的波长吸收问题，使得激光脉冲在不同色彩目标上形成抖动噪声，从而影响标定精度。因此，为完成自动驾驶***中感知任务，开发多传感器融合方法，特别是针对固态激光雷达点云不稳定性进行方案优化十分必要。
针对上述问题，本申请实施例中提供了一种标定方法，包括：采集传感器的点云数据，获取标定板所在的区域；根据所述区域提取得到标定板；根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标；根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标，根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵。其中，所述第一角点位置坐标为所述传感器中的固态激光雷达的三维内角点坐标；所述第二角点位置坐标为所述传感器中的相机的二维内角点坐标；通过所述外参转换矩阵在所述传感器中进行标定。
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了标定方法，如图1所示，该流程包括如下步骤：
步骤S101，采集传感器的点云数据，获取标定板所在的区域；
步骤S102，根据所述区域提取得到标定板；
步骤S103，根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标；
步骤S104，根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为所述传感器中的固态激光雷达的三维内角点坐标；
步骤S105，根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机的二维内角点坐标；
步骤S106，通过所述外参转换矩阵在所述传感器中进行标定。
通过上述步骤，实现了如下的技术效果：
首先通过时域进行点云积分实现局部静态点云的稠密化获取丰富的目标点云数据，并基于区域检测、平面拟合和拟牛顿法优化得到标定板角点的三维坐标。然后结合传感器中相机内参标定和角点检测获取图中标定板的角点二维坐标。最后通过随机抽样一致性算法对二维点云数据-二维图像的投影矩阵进行优化，即为不同传感器之间的外参投影结果。取得了增加标定精度，减少人工干预的技术效果。
在上述步骤S101中，原始点云数据的采集和预处理模对于每一帧固态激光雷达点云数据进行统计离群点过滤(Statistical Outlier Removal)降噪处理，并对连续T秒内的点云进行积分；然后，手动标记鸟瞰图中棋盘格标定板的大致位置，获取标定板所在的区域(Region of Interest，ROI)。
在上述步骤S102中进行标定板分割，并从标注中获取标定板的标定框(boundingbox)，结合区域(ROI)对点云进行裁剪，后续检测模块仅考虑区域内部的点。从区域中裁剪出标定板，利用区域中点云在Z轴概率密度的分布，来确定对标定板进行分割的高度阈值，并将标定板分割出来。
在上述步骤S103中对标定板平面特征优化。接着，对标定板进行平面拟合，通过多次迭代得出标定板平面的真实位置。在得到平面参数之后，采用射线投影模型，计算从固态激光雷达原点到标定板原始点云中每个点的射线参数，然后将原始点云投影到理想标定板平面，投影点即为射线集合与平面的交点。由于固态激光雷达在Y轴方向进行往复式扫描，扫描线边缘点会存在密度分布不均匀的问题，因此采用网格划分的方式对拟合后的标定板平面点云进行随机采样，在重采样后保证各网格内的点云密度是均匀分布的。
在上述步骤S104中进行三维角点检测。应用拟牛顿法(L-BGFS-B)优化方法，利用点云的反射率分布特征，求解理想棋盘模型与实际标定板平面点云的位姿差异矩阵T；使用T将理想棋盘的角点坐标变换回原始点云所在的坐标系下，即可得到标定板对应三维角点内坐标的检测结果。
在上述步骤S105中重复以上步骤101—步骤S104，获取标定数据中所有图像-点云中对应的二维内角点和三维内角点坐标；结合相机内参，利用RANSAC(Random SampleConsensus，随机抽样一致性)方法求解PNP(Perspective N Point)问题最终获取到相机-固态激光雷达之间的标定外参E。
在上述步骤S106中通过所述外参转换矩阵在所述传感器中进行标定得出准确的三维空间中标定板的角点坐标。
作为本申请实施例中的优选，通过所述外参转换矩阵在所述传感器中进行标定之后，还包括：将所述传感器中的雷达点云数据投影到所述传感器中的相机的成像平面；和/或，将所述传感器中的可见光图像数据映射到三维空间。
基于上述步骤，通过对固态激光雷达和相机进行组合，利用棋盘格标定板作为标定参考目标，标定过程中通过实时计算相机和固态激光雷达视野中标定板角点的二维和三维位置，整个流程仅需要少量人工干预操作和采集若干组图像-点云数据对即可。经过本算法计算，即可得到相机-固态激光雷达的准确外参转换矩阵，后续可将雷达点云投影到相机的成像平面，或者将可见光图像映射到三维空间，从而实现多模态传感器数据的融合；同时也可用于多个雷达进行标定扩展视野范围。
作为本申请实施例中的优选，所述根据所述区域提取得到标定板包括：计算所述区域中点云的Z轴高度的概率密度分布；将概率密度分布的离散概率密度转化为直方图；计算所述直方图中相邻的两个格之间的梯度；根据梯度计算结果分割提取得到所述标定板。
具体实施时，从标记得到的棋盘格标定板的区域附近分割出标定板，计算区域中点云Z轴高度的概率密度分布，并将分布离散的概率密度化为直方图；然后，计算直方图中相邻的两个格(bin)之间的梯度，直方图的bin即为颜色直方图将颜色空间划分为若干小的颜色区间。通过计算颜色在每个小区间内的像素得到颜色直方图；bin越多，直方图颜色的分辨率越强。由于指定标定板上方无遮挡物，标定板(点云)顶部高度Z_max即为区域中标定板的高度最大值；随后选择梯度值最高的K个bin计算平均高度，并求平均高度与标定板顶部的高度差，选择差值与标定板对角线长度最接近的高度作为分割阈值Z_max。即可通过高度阈值(Z_min,Z_max)分割出标定板。
作为本申请实施例中的优选，所述根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标包括：基于随机采样一致性的平面分割方法，对所述标定板的点云数据进行平面拟合，得到所述标定板的拟合平面；在所述标定板的拟合平面确定所述标定板的平面按照点云空间分布的坐标。
具体实施时，应用基于随机采样一致性的平面分割方法，对标定板点云进行平面拟合。平面距离容差为θ，得到平面参数S，计算标定板中点云到拟合平面S的距离，过滤掉与S距离大于2θ的点，然后令θ减半迭代拟合的平面，直到所有点到新的拟合平面的距离都小于θ，最终剩余的点云集合即为所得标定板的拟合平面。
进一步，通过对P′proj进行重采样，首先将P′proj划分为多个gridpatch(网格块)，并计算每个patch的密度，随后对每个密度小于Dth的patch进行重采样，选取其中当前patch中采样个点。
在一些可选的实施方式中，由于固态激光雷达在轴向测量的距离方差较大，经过时间叠加后得到的标定板在X轴方向存在较大的误差，则需要估计标定板平面的真实位置。
作为本申请实施例中的优选，所述根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标包括：根据所述标定板的实际尺寸参数宽度、高度以及标定板的大小，在二维平面内生成预设标定板；通过求解实际点云数据与所述预设标定板的三维位姿差值，以使实际点云数据的反射率随空间分布情况与预设标定板中一致。
具体实施时，应用L-BGFS-B优化方法，利用反射率信息求解得出拟合标定板平面的点云角点坐标。首先根据标定板的实际尺寸参数宽度(w)，高度(h)以及棋盘格的大小(grid_size)，在二维平面内生成理想棋盘格，优化算法通过求解实际点云与理想棋盘格的三维位姿差T＝[θ,x,y]，使实际点云的反射率随空间分布于理想棋盘格一致。
进一步地，应用L-BGFS-B优化方法，利用反射率信息求解得出拟合标定板平面的点云角点坐标的具体实现步骤如下：
步骤S1，随机产生初始的三维位姿T0＝[θ0,x0,y0]，令当前位姿变量T＝T0
步骤S2，使用T将P′proj变换到新的位姿(pose)，利用反射率信息计算其与理想棋盘格空间位置分布的差值cost：
步骤S21，遍历点云，获取每个点p的平面坐标{px,py}；
步骤S22，如果p落在理想棋盘格外部，则
costp＝ming∈Gdist({px,py},{gx,gy})，其中G令为理想棋盘格角点的集合，当前计算结束；
步骤S23，若p落在理想棋盘格内部，则其落在理想棋盘格上的坐标为{Gx,Gy}；
步骤S24，根据实际棋盘格的颜色模式，找到(Gx,Gy)对应的颜色CLRestimate；
步骤S25，获取当前点的实际反射率二值化之后对应的颜色CLRgt，和理想颜色CLRestimate进行比较；如果颜色相同，则costp＝0，否则costp＝ming∈Gdist({px,py},{gx,gy})；
步骤S26，结束当前点的cost计算。
步骤S3，根据cost值，使用L-BGFS-B算法对T进行优化，得到下一个时刻的位姿参数T′，令T＝T′，返回步骤ii重复优化算法，直至cost收敛。
作为本申请实施例中的优选，所述采集传感器的点云数据，确定标定板所在的区域包括：将采集到的点云数据利用统计离群点过滤，并将连续时间内的点云数据在空间上叠加；标出所述标定板初始位置的区域。
具体实施时，将采集到的点云数据利用统计离群点过滤(Statistical OutlierRemoval)，并将连续T秒的点云在空间上叠加，随后操作者在点云俯视图中标出棋盘格标定板大致位置的区域。
作为本申请实施例中的优选，所述根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵包括：所述传感器包括：相机、固态激光雷达，获取所述标定板中标定数据中图像的点云数据对应的所述第二角点和所述第一角点；根据所述相机内参、所述第二角点以及所述第一角点，利用随机抽样一致性方法进行PNP问题的求解，获取到所述相机和所述固态激光雷达之间的标定外参。
具体实施时，获取标定数据中所有图像-点云中对应的二维内角点和三维内角点坐标，结合相机内参，利用ransac(Random Sample Consensus，随机抽样一致性)方法求解PNP问题最终获取到相机-固态激光雷达之间的标定外参E。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了标定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的标定装置的结构框图，如图2所示，该装置包括：
采集模块21，用于采集传感器的点云数据，获取标定板所在的区域；
分割提取模块22，用于根据所述区域提取得到标定板；
拟合模块23，用于根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标；
角点位置确定模块24，用于根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为所述传感器中的固态激光雷达的三维内角点坐标；
外参矩阵求解模块25，用于根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机的二维内角点坐标；
所述外参矩阵模块，还用于通过所述外参转换矩阵在所述传感器中进行标定。
所述采集模块21对于每一帧固态激光雷达点云数据进行统计离群点过滤降噪处理，并对连续T秒内的点云在空间上进行叠加；然后，手动标记鸟瞰图中棋盘格标定板的大致位置，获取标定板所在的区域(RegionofInterest，区域)。
所述分割提取模块22从标注中获取标定板的标定框(boundingbox)，结合点云所在的区域对点云进行裁剪，后续检测模块仅考虑区域内部的点。从区域中划分出标定板，利用区域中Z轴点云分布的概率密度得出标定板的高度阈值，确定标定板宽度，最终出标定板。
所述拟合模块23通过多次迭代得到标定板平面的真实位置，具体操作采用线性投影模型，计算从固态激光雷达原点到标定板平面中每个点的射线参数，计算得出射线与标定板平面的交点空间P，将平面附近的点云投影到理想平面上，对交点空间P进行主成分分析(Principal Components Analysis，PCA)变换，求解得到拟合出的标定板平面按照点云空间分布的坐标。
所述角点位置确定模块24应用拟牛顿法(L-BGFS-B)优化方法，利用点云的反射率求解标定板平面中的点云角点坐标位置；将得到的点云标定板平面的角点坐标拟变换到原始点云空间中，得到的即为检测到的标定板的对应三维内角点坐标。
由于固态激光雷达是在Y轴方向是往复式扫描，所以会导致扫描线边缘点密度不均匀的问题，因此需要对标定板平面进行重采样。
所述外参矩阵模块25基于随机采样一致性方法求解(Perspective N Point，PNP)方法得到雷达-相机外参矩阵，获取标定数据中所有图像-点云中对应的二维内角点和三维内角点坐标。结合相机内参，利用随机抽样一致性(Random Sample Consensus，RANSAC)方法求解PNP问题最终获取到相机-固态激光雷达之间的标定外参E。
为了更好的理解上述标定流程，以下结合优选实施例对上述技术方案进行解释说明，但不用于限定本发明实施例的技术方案。
本申请针对固态激光雷达的固有精度缺陷，针对多雷达-相机感知***设计了点云优化降噪算法，并在此基础上设计了对应的传感器标定流程，增加标定精度的同时，减少人工干预。整个方法主要包含相机二维角点检测、固态激光雷达点云三维角点检测和基于二维-三维的投影变换求解三个主要步骤。首先，通过时域进行点云积分实现局部静态点云的稠密化获取丰富的目标点云数据，并基于区域检测、平面拟合和拟牛顿法优化得到标定板角点的三维坐标。然后，结合相机内参标定和角点检测获取图中标定板的角点二维坐标。最后，通过随机抽样一致性算法对三维点云—二维图像的投影矩阵进行优化，即为不同传感器之间的外参投影结果。本申请的标定方法主要用于通过相机和固态激光雷达传感器组合，同时获得真实世界的视觉信息和空间上的三维空间距离信息，不同雷达点云在标定板上的噪声分布正视和侧视图，具体地实验选用点云更为稠密的固态激光雷达作为距离传感器。
通过框架将雷达-相机标定任务分为两个模块。首先，获取激光雷达点云视图中棋盘格标定板的三维角点信息；然后，获取相机图片中棋盘格标定板的二维角点信息；最终，结合三维-二维角点信息计算得出准确的雷达-相机转换矩阵。优选地，传感器和标定板相对位置和对应坐标系来设置传感器位置以及棋盘格标定板位置。本申请所提出的基于时域积分的固态激光雷达-相机标定方法，主要的两个模块的流程示意图分别如图3和图4所示。最后通过图3和图4所示模块分别得到三维-二维的棋盘格角点信息，求得准确的雷达-相机转换矩阵，如图5所示。
步骤1，首先将固态激光雷达和相机安装于刚体固定位置(如车载平台支架)，确保雷达和相机视野不被遮挡，并通过以太网口或USB等数据线路接入计算设备。同时，准备好棋盘格标定板并支撑标定板于雷达和相机前一定范围，确保整个实验过程中棋盘格标定板始终同时在雷达和相机的视野中，实验过程中尽量将标定板摆放在多个位置进行采样，并适当调整标定板的角度。
步骤2，启动标定程序，相机会将捕获的照片传输到计算设备，同时计算机会弹出如图6所示的点云俯视图的窗口。此时已经对每一帧固态激光雷达点云数据进行降噪处理，并对连续T秒内的点云在空间上进行叠加。需要操作人员手动标记点云俯视图中棋盘格标定板的大致位置，通过算法自动处理即能获取标定板所在的区域，如图7所示。
步骤3，算法从标注中获取标定板的标定框(bounding box)，结合点云所在的区域对标定板点云进行裁剪，后续检测模块仅考虑区域内部的点，即：从区域中划分出标定板，利用区域中Z轴点云分布的概率密度得出标定板的高度阈值，确定标定板宽度，并分割出标定板，如图8所示。
步骤4，对标定板进行平面拟合，通过多次迭代得出标定板平面的真实位置。具体操作采用线性投影模型，计算从固态激光雷达原点到标定板平面中每个点的射线参数，计算得出射线与标定板平面的交点空间P，将平面附近的点云投影到理想平面上。对交点空间P进行PCA变换，求解得到拟合出的标定板平面按照点云空间分布的坐标。
步骤5，对标定板平面进行重采样，应用拟牛顿法(L-BGFS-B)优化方法，利用点云的反射率求解标定板平面中的点云角点坐标位置；将得到的点云标定板平面的角点坐标拟变换到原始点云空间中，得到的即为检测到的标定板对应三维内角点坐标；
步骤6，计算机同时会从图片中获取标定板的二维角点信息，检测出的角点，如图9所示。
步骤7，摆放标定板于不同位置，并重复步骤2—步骤6，得到多组三维-二维棋盘格角点信息；结合相机内参矩阵，可以计算得到准确的雷达-相机外参转换矩阵。图10即是利用求到的外参转换矩阵将雷达-相机标定于同一个坐标系下的效果图。
具体地，可以采用固态激光雷达重投影误差直方图，量化方法是将在点云视图中检测出的棋盘格角点利用以上步骤求出的雷达-相机外参转换矩阵重投影到相机平面，随后将点云重投影的角点信息与图像的角点信息计算像素误差得到的直方图。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，采集传感器的点云数据，获取标定板所在的区域；
S2，在所述区域的点云中提取得到标定板；
S3，根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标；
S4，根据所述的标定板平面按照点云空间分布的坐标，通过非线性优化确定所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为所述传感器中的固态激光雷达对标定板进行测量所得到点云的三维内角点坐标；
S5，根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器之间的的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机的二维内角点坐标；
S6，通过所述外参转换矩阵在所述传感器中进行标定。
可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：
S31，将所述传感器中的雷达点云数据投影到所述传感器中的相机的成像平面。
可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：
S32，将所述传感器中的可见光图像数据映射到三维空间。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，采集传感器的点云数据，获取标定板所在的区域
S2，根据所述标定板求解得到拟合出的所述标定板的平面按照点云空间分布的坐标；
S3，根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为所述传感器中的固态激光雷达对标定板进行测量所得到点云的三维内角点坐标；
S4，根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机对标定板进行拍摄所得到图像的二维内角点坐标；
S5，通过所述外参转换矩阵在所述传感器中进行标定。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种标定方法，其特征包括：
采集固态激光雷达的点云数据，获取标定板所在的区域；
在所述区域的点云中提取得到标定板点云；
根据所述标定方法，拟合出的所述标定板对应平面按照点云空间分布的坐标；
根据所述的标定板平面按照点云空间分布的坐标，通过非线性优化确定所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为传感器中的固态激光雷达对标定板进行测量所得到点云的三维内角点坐标；
根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，求解得到所述传感器的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机对标定板进行拍摄所得到图像的二维内角点坐标；
通过所述外参转换矩阵在所述传感器中进行标定；
在所述区域提取得到标定板的方法包括：
计算所述区域中点云的Z轴高度的概率密度分布；
将概率密度分布的离散概率密度转化为直方图；
计算所述直方图中相邻的两个格之间的梯度；
根据梯度计算结果分割提取得到所述标定板；
其中，从标记得到的棋盘格标定板的区域附近分割出标定板，计算区域中点云Z轴高度的概率密度分布，并将分布离散的概率密度化为直方图；
然后，计算直方图中相邻的两个格bin之间的梯度，直方图的bin即为颜色直方图将颜色空间划分为若干小的颜色区间；通过计算颜色在每个小区间内的像素得到颜色直方图；bin越多，直方图颜色的分辨率越强；
随后选择梯度值最高的K个bin计算平均高度，并求平均高度与标定板顶部的高度差，选择差值与标定板对角线长度最接近的高度作为分割阈值Z_max。
2.根据权利要求1所述的方法，其特征在于，通过所述外参转换矩阵对所述传感器中进行标定之后，还包括以下方法验证标定效果：
将所述传感器中的雷达点云数据投影到所述传感器中的相机的成像平面；
和/或，将所述传感器中的可见光图像数据映射到三维空间。
3.根据权利要求1所述的方法，其特征在于，所述根据所述标定方法拟合出的所述标定板的平面按照点云空间分布的坐标包括：
基于随机采样一致性的平面分割方法，对所述标定板的点云数据进行平面拟合，得到所述标定板的拟合平面；
在所述拟合平面确定所述标定板的平面按照点云空间分布的坐标。
4.根据权利要求1所述的方法，其特征在于，所述根据所述标定板的平面按照点云空间分布的坐标，确定所述标定板的第一角点位置坐标包括：
根据所述标定板的实际尺寸参数宽度、高度以及标定板的大小，在二维平面内生成预设标定板；
通过求解实际点云数据与所述预设标定板的三维位姿差值，使实际点云数据的反射率随空间分布情况与预设标定板中一致；
根据所述三维位姿差值，将所述预设标定板的角点逆变换到实际点云对应的坐标系下，得到所述第一角点位置坐标。
5.根据权利要求1所述的方法，其特征在于，所述根据采集传感器的点云数据，确定标定板所在的区域包括：
将采集到的点云数据利用统计离群滤波方法过滤，并将连续时间内的点云数据在空间上叠加；
标出所述标定板初始位置的区域。
6.根据权利要求1所述的方法，其特征在于，所述根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，求解所述传感器的外参转换矩阵包括：
所述传感器至少包括：相机、固态激光雷达，
获取所述标定板中标定数据中图像的点云数据对应的所述第二角点位置坐标和所述第一角点位置坐标；
根据所述相机内参、所述第二角点以及所述第一角点，利用随机抽样一致性方法进行PNP问题的求解，获取到所述相机和所述固态激光雷达之间的外参矩阵。
7.一种标定装置，其特征在于，包括：
数据采集模块，用于采集传感器的点云数据，获取标定板所在的区域；
分割提取模块，用于根据所述区域提取得到标定板；
拟合模块，用于求解得到拟合出的所述标定板的平面按照点云空间分布的坐标；
角点位置确定模块，用于根据所述标定板的平面按照点云空间分布的坐标确定所述标定板的第一角点位置坐标，其中，所述第一角点位置坐标为所述传感器中的固态激光雷达对标定板进行测量所得到点云的三维内角点坐标；
外参矩阵求解模块，用于根据所述标定板的第二角点位置坐标和所述第一角点位置坐标，获得所述传感器的外参转换矩阵，其中，所述第二角点位置坐标为所述传感器中的相机对标定板进行拍摄所得到图像的二维内角点坐标；
所述外参矩阵求解模块，还用于通过求解得到的所述外参转换矩阵在所述传感器中进行标定；
在所述区域提取得到标定板包括：
计算所述区域中点云的Z轴高度的概率密度分布；
将概率密度分布的离散概率密度转化为直方图；
计算所述直方图中相邻的两个格之间的梯度；
根据梯度计算结果分割提取得到所述标定板；
其中，从标记得到的棋盘格标定板的区域附近分割出标定板，计算区域中点云Z轴高度的概率密度分布，并将分布离散的概率密度化为直方图；
然后，计算直方图中相邻的两个格bin之间的梯度，直方图的bin即为颜色直方图将颜色空间划分为若干小的颜色区间；通过计算颜色在每个小区间内的像素得到颜色直方图；bin越多，直方图颜色的分辨率越强；由于指定标定板上方无遮挡物，标定板顶部高度Z_max即为区域中标定板的高度最大值；
随后选择梯度值最高的K个bin计算平均高度，并求平均高度与标定板顶部的高度差，选择差值与标定板对角线长度最接近的高度作为分割阈值Z_max；即可通过高度阈值分割出标定板。
8.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
CN202011094343.0A 2020-10-14 2020-10-14 标定方法以及装置、存储介质、电子装置 Active CN112270713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011094343.0A CN112270713B (zh) 2020-10-14 2020-10-14 标定方法以及装置、存储介质、电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011094343.0A CN112270713B (zh) 2020-10-14 2020-10-14 标定方法以及装置、存储介质、电子装置

Publications (2)

Publication Number Publication Date
CN112270713A CN112270713A (zh) 2021-01-26
CN112270713B true CN112270713B (zh) 2024-06-14

Family

ID=74338185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011094343.0A Active CN112270713B (zh) 2020-10-14 2020-10-14 标定方法以及装置、存储介质、电子装置

Country Status (1)

Country Link
CN (1) CN112270713B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112462348B (zh) * 2021-02-01 2021-04-27 知行汽车科技（苏州）有限公司 激光点云数据增广的方法、装置及存储介质
CN113139569B (zh) * 2021-03-04 2022-04-22 山东科技大学 目标分类检测方法、装置与***
US20220300681A1 (en) * 2021-03-16 2022-09-22 Yuan Ren Devices, systems, methods, and media for point cloud data augmentation using model injection
CN113256729B (zh) * 2021-03-17 2024-06-18 广西综合交通大数据研究院 激光雷达与相机的外参标定方法、装置、设备及存储介质
CN113126115B (zh) * 2021-04-06 2023-11-17 北京航空航天大学杭州创新研究院 基于点云的语义slam方法、装置、电子设备和存储介质
CN115239815B (zh) * 2021-06-23 2023-10-27 上海仙途智能科技有限公司 一种相机标定方法及装置
CN113567964B (zh) * 2021-06-29 2023-07-25 苏州一径科技有限公司 激光雷达自动测试方法及装置、***
CN113406604A (zh) * 2021-06-30 2021-09-17 山东新一代信息产业技术研究院有限公司 一种激光雷达和摄像机位置标定的装置和方法
CN114689106B (zh) * 2022-03-31 2024-03-08 上海擎朗智能科技有限公司 传感器标定方法、机器人及计算机可读存储介质
CN114624683A (zh) * 2022-04-07 2022-06-14 苏州知至科技有限公司 一种激光雷达外置旋转轴的标定方法
CN114677429B (zh) * 2022-05-27 2022-08-30 深圳广成创新技术有限公司 一种机械手的定位方法、装置、计算机设备和存储介质
CN116452439A (zh) * 2023-03-29 2023-07-18 中国工程物理研究院计算机应用研究所 一种针对激光雷达点云强度图像的降噪方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179358A (zh) * 2019-12-30 2020-05-19 浙江商汤科技开发有限公司 标定方法、装置、设备及存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9811714B2 (en) * 2013-08-28 2017-11-07 Autodesk, Inc. Building datum extraction from laser scanning data
CN107976669B (zh) * 2016-10-21 2020-03-31 法法汽车(中国)有限公司 一种确定相机与激光雷达之间的外参数的装置
CN107976668B (zh) * 2016-10-21 2020-03-31 法法汽车(中国)有限公司 一种确定相机与激光雷达之间的外参数的方法
CN106651863A (zh) * 2016-11-30 2017-05-10 厦门大学 一种基于点云数据的树木自动分割方法
KR101948569B1 (ko) * 2017-06-07 2019-02-15 국방과학연구소 라이다 센서 및 팬틸트줌 카메라를 활용한 비행체 식별 시스템 및 그 제어 방법
CN108983248A (zh) * 2018-06-26 2018-12-11 长安大学 一种基于3d激光雷达及v2x的网联车定位方法
CN109919237B (zh) * 2019-03-13 2021-02-26 武汉海达数云技术有限公司 点云处理方法及装置
CN110349221A (zh) * 2019-07-16 2019-10-18 北京航空航天大学 一种三维激光雷达与双目可见光传感器的融合标定方法
CN110599541B (zh) * 2019-08-28 2022-03-11 贝壳技术有限公司 一种对多传感器进行标定的方法、装置和存储介质
CN111127563A (zh) * 2019-12-18 2020-05-08 北京万集科技股份有限公司 联合标定方法、装置、电子设备及存储介质
CN111260668B (zh) * 2020-01-20 2023-05-26 南方电网数字电网研究院有限公司 一种电力线提取方法、***及终端
CN111192331B (zh) * 2020-04-09 2020-09-25 浙江欣奕华智能科技有限公司 一种激光雷达和相机的外参标定方法及装置
CN111612845A (zh) * 2020-04-13 2020-09-01 江苏大学 一种基于移动标定板的激光雷达与相机联合标定方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179358A (zh) * 2019-12-30 2020-05-19 浙江商汤科技开发有限公司 标定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112270713A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN112270713B (zh) 标定方法以及装置、存储介质、电子装置
CN107463918B (zh) 基于激光点云与影像数据融合的车道线提取方法
CN111179358B (zh) 标定方法、装置、设备及存储介质
CN112907676B (zh) 传感器的标定方法、装置、***、车辆、设备及存储介质
CN111383279B (zh) 外参标定方法、装置及电子设备
CN109961468B (zh) 基于双目视觉的体积测量方法、装置及存储介质
JP6821712B2 (ja) 自然光景中での統合センサの較正
CN111563921B (zh) 一种基于双目相机的水下点云获取方法
CN109801333B (zh) 体积测量方法、装置、***及计算设备
CN108474658B (zh) 地面形态检测方法及***、无人机降落方法和无人机
CN110555407B (zh) 路面车辆空间识别方法及电子设备
CN111815716A (zh) 一种参数标定方法及相关装置
WO2012126500A1 (en) 3d streets
CN112907675B (zh) 图像采集设备的标定方法、装置、***、设备及存储介质
CN113205604A (zh) 一种基于摄像机和激光雷达的可行区域检测方法
CN111382591B (zh) 一种双目相机测距校正方法及车载设备
CN114494466B (zh) 外参标定方法、装置及设备、存储介质
CN112446926A (zh) 一种激光雷达与多目鱼眼相机的相对位置标定方法及装置
GB2569609A (en) Method and device for digital 3D reconstruction
CN115546216B (zh) 一种托盘检测方法、装置、设备及存储介质
CN115407338A (zh) 一种车辆环境信息感知方法及***
JP6492603B2 (ja) 画像処理装置、システム、画像処理方法、およびプログラム
CN112767498A (zh) 相机标定方法、装置和电子设备
CN111414848B (zh) 一种全类别3d障碍物检测方法、***和介质
CN117388831B (zh) 相机和激光雷达联合标定方法、装置、电子设备及介质

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