探索Cam_Lidar_Calibration：一种高效精准的相机与激光雷达标定方案

最新推荐文章于 2024-08-08 07:05:57 发布
最新推荐文章于 2024-08-08 07:05:57 发布
阅读量361 收藏 9
点赞数 4
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gitblog_00056/article/details/138240069
版权

探索Cam_Lidar_Calibration：一种高效精准的相机与激光雷达标定方案

cam_lidar_calibration(ITSC 2021) Optimising the selection of samples for robust lidar camera calibration. This package estimates the calibration parameters from camera to lidar frame.项目地址:https://gitcode.com/gh_mirrors/ca/cam_lidar_calibration

项目简介

在自动驾驶、机器人和无人机等领域，精准的传感器融合是核心关键。是一个开源项目，旨在提供一个简单易用的工具，帮助开发者执行相机（Camera）与激光雷达（LIDAR）之间的标定工作。该工具基于Python开发，利用OpenCV库进行图像处理，并结合卡尔曼滤波器实现高精度的校准。

技术分析

  1. 标定算法： Cam_Lidar_Calibration采用了改进的Horn-Schunck光流法，用于估算相机和激光雷达之间的相对运动。这种方法通过最小化光流场的梯度平方和，优化了两者的相对姿态估计。

  2. 数据采集与处理： 工具提供了便捷的数据采集接口，支持实时或离线的同步数据。它能够处理多种类型的数据格式，如bag文件（ROS系统中常用的数据记录格式）。

  3. 交互式界面： 使用图形用户界面（GUI），用户可以直观地查看和调整标定参数，无需深入理解复杂的数学模型，降低了使用难度。

  4. 自动校正： 利用卡尔曼滤波器进行平滑处理，提升标定结果的稳定性。这使得即使在复杂环境中，也能得到准确的校正值。

  5. 可扩展性： 该项目设计为模块化，方便添加新的传感器类型或校准方法。开发者可以根据自己的需求进行定制和扩展。

应用场景

  • 自动驾驶：为车辆上的视觉系统和LIDAR提供精确的校准，提高感知系统的定位与导航能力。
  • 无人机避障：确保无人机的摄像头和激光雷达协同工作，有效探测并避开障碍物。
  • 机器人领域：帮助机器人获取更准确的空间信息，提高其自主移动和环境理解能力。

特点

  • 易用性：提供完整的文档和教程，快速上手，适合初学者和专业人士。
  • 灵活性：支持多种硬件平台和传感器组合，适应性强。
  • 高性能：优化的算法保证了高效率和精度。
  • 开源社区：活跃的社区支持，不断更新和完善。

结语

对于需要进行多传感器融合的开发者来说，Cam_Lidar_Calibration无疑是一个值得尝试的强大工具。借助它的强大功能，你可以简化标定流程，提升你的项目性能。现在就加入，让这项技术助力你的创新之旅吧！

cam_lidar_calibration(ITSC 2021) Optimising the selection of samples for robust lidar camera calibration. This package estimates the calibration parameters from camera to lidar frame.项目地址:https://gitcode.com/gh_mirrors/ca/cam_lidar_calibration

钟洁祺
关注
r3live 使用前提 雷达-相机外参标定 livox_camera_lidar_calibration
z1872385的博客
04-13 953
港科大livox_camera_calib虽然操作方便，但是使用mid360雷达会有视角问题（投影三维点到相机），尝试了很多场景，标定效果都不理想（推荐场景是楼梯间），看来港大的更适合avia之类窄角度的雷达。如果标定效果不好的话，就使用 getExt２节点，getExt1节点只优化外参，而getExt2节点在计算的时候会将一开始计算的内参作为初值和外参一起优化。一般使用getExt1节点即可，如果在外参初值验证过，并且异常值已经剔除后，优化还是有较大的残差，那么可以使用getExt2试一试。
自动驾驶系统进阶与项目实战（一）激光雷达-相机外参自动化标定算法及项目实战
热门推荐
AdamShan的博客
04-24 1万+
通常而言，激光雷达和相机固定安装于无人车上，其相对关系一定，获得准确的齐次变换矩阵或者 $(x,y,z,roll,pitch,yaw)$ 变化量即完成了传感器的外参标定。然而，无人车安装的传感器数量较多，高效且自动化地完成多传感器标定对于自动驾驶研发而言非常关键，本文介绍一种自动化标定相机-激光雷达的方法，并且给出了相对完整的ROS实现以供读者参考。
《Optimising the selection of samples for robust lidar camera calibration》论文解读
weixin_43493439的博客
03-08 1363
本文是2021年论文《Optimising the selection of samples for robust lidar camera calibration》解读。文章介绍了一种鲁棒性较强的相机和激光雷达联合标定工具，并附有源码和测试数据。
激光雷达与相机联合标定工具cam_lidar_calibration教程
最新发布
gitblog_00605的博客
08-08 533
激光雷达与相机联合标定工具cam_lidar_calibration教程 cam_lidar_calibration(ITSC 2021) Optimising the selection of samples for robust lidar camera calibration. This package estimates the calibration parameters from c...
【学习总结】cam_lidar_calibration：激光雷达与相机联合标定
m0_69034741的博客
07-05 3668
由于深度学习需要自己构造数据集，对于雷达和相机等多传感器融合数据，传感器标定是不可避免的，在前段时间学习了激光雷达和相机的联合标定，在此记录一下源码链接：GitHub - acfr/cam_lidar_calibration: (ITSC 2021) Optimising the selection of samples for robust lidar camera calibration. This package estimates the calibration parameters from ca
【学习总结】激光雷达与相机外参标定：代码（cam_lidar_calibration）
larrydong的博客
02-20 3295
激光雷达与相机标定：原理和代码。
cam_lidar_calibration相机与激光雷达标定在ros noetic 中编译
weixin_58045467的博客
08-18 1273
cam_lidar_calibration的开源代码是在 ROS Melodic的代码，所以今天在我的ros noetic中编译时出现了一些问题，解决了，所以写出来。#include 头文件改为#include #include // 增加的头文件 为ros noetic。#include // 增加的头文件 为ros noetic。...
【学习总结】激光雷达与相机外参标定：原理与代码1
larrydong的博客
11-08 5766
激光雷达与相机外参标定
R3LIVE项目实战(3) —双目相机与激光雷达 lidar_camera_calib联合标定
几度春风里的博客
08-07 2622
lidar_camera_calib是一个在无目标环境中，用于高分辨率LiDAR（例如Livox）和摄像机之间准确的外部标定工具。我们的算法可以在室内和室外场景中运行，并且只需要场景中的边缘信息。如果场景适合，我们可以实现类似于或甚至超过基于目标的方法的像素级准确度。我们使用标定的外部参数给点云上色，并与实际图像进行比较。A和C是点云的局部放大视图。B和D是与A和C中的点云对应的摄像机图像的部分。
关于相机与激光雷达数据采集与标定
qq_33958714的博客
09-04 1313
而使用ROS包则可以直接给出投影矩阵，缺点就是需要棋盘格在图片上的x、y、skew（旋转）、size（大小）的变化需要满足他的要求才可以进行标定，所以最好直接连着相机进行标定，录rosbag可能会不满足他的条件。总结：在标定外参时，可以直接先估计一个旋转向量和平移向量，例如上面激光雷达到相机的旋转大概是沿x轴旋转90度，因此旋转向量大概是[1.57, 0, 0]，在转成旋转矩阵进行微调。最近在做一个关于车路协同的项目，需要做一个路侧系统，传感器有摄像头和激光雷达。相机和激光雷达联合标定费了老半天劲。
lidar_cam标定结果评估
wanyi999的博客
11-08 146
lidar_cam标定结果评估
velo2cam_calibration:LiDAR和相机传感器设置的自动外部校准方法。 ROS包装
05-08
velo2cam_calibration velo2cam_calibration软件为由LiDAR和摄像头设备组成的任何一对传感器实现了最新的自动校准算法[1]。 该软件以ROS软件包的形式提供。 在马德里卡洛斯三世大学开发的软件包。 设置 要安装此ROS软件包： 将存储库克隆到您的catkin_ws / src /文件夹中。 安装运行依赖项： sudo apt-get install ros-<distro>-opencv-apps 建立您的工作区。 用法 有关如何使用此软件的详细说明，请参见 。 要在虚拟环境中测试算法，您可以启动我们的中包括的任何校准方案。 标定目标 下图显示了该算法使用的建议校准目标的可能实施例及其相应的尺寸图。 注意：为方便起见，可以使用其他尺寸。 如果是这样，请相应地配置节点参数。 引文 如果您在研究中使用这项工作，请考虑引用以下论文： [1]
相机雷达联合标定cam_lidar_calibration
qq_42227760的博客
04-21 2813
相机雷达标定cam_lidar_calibration
激光雷达和相机联合标定之cam_lidar_calibration
weixin_41681988的博客
02-10 1万+
关于cam_lidar_calibration（2021）安装使用 1.简介：在众多的lidar和camera标定的开源程序中，效果相对不错的就是cam_lidar_calibration了，其余开源要么标定过程复杂、要么误差太大，该开源包经过一些改版。...
激光雷达和相机的联合标定工具箱[cam_lidar_calibration]介绍
qhu1600417010的博客
04-07 927
激光雷达和相机联合标定工具 论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9564700 github地址: https://github.com/acfr/cam_lidar_calibration yutou视频安装讲解：https://www.youtube.com/watch?v=WmzEnjmffQU 标定过程参考链接: https://blog.csdn.net/weixin_41681988/article/deta
cam_lidar_calibration代码详解（二）优化计算过程
abanchao的博客
06-12 888
两套计算内容，旋转矩阵、变化矩阵。先优化求解最优旋转矩阵，再以此为初始值，优化旋转矩阵和平移向量，提高精度。设置遗传算法的适应函数、交叉、变异、评估精度、初始化基因。​ 先对特征点提取和优化过程进行了梳理，见博客： ​​​​​​​​​​​​​​​​​​​cam_lidar_calibration代码详解（一）采样优化部分_可见一班的博客-CSDN博客 这篇博客主要对优化计算的过程及代码进行整理，用到的是遗传算法。主要包含3个文件： openga.h，遗传算法的实现 optimiser.h，定义旋转矩阵
cam_lidar_calibration标定速腾激光雷达和单目相机外参
abanchao的博客
05-13 2839
Ubuntu 20.04 + Noetic用camera_lidar_calibration标定激光雷达和相机。激光雷达：速腾聚创32线激光雷达 RS-LIDAR-32单目相机：acA1920-40gc（GigE接口）
cam_lidar_calibration代码详解（一）采样优化部分
abanchao的博客
06-07 1220
cam_lidar_calibration代码采样优化部分进行详细解释，注意包括 FeatureExtractor中的各个函数。激光雷达板的误差超过真值的10%，则拒绝该采样。说明该次截取的点云检测效果不佳。终端报错"Plane fitting error, LiDAR board dimensions incorrect; discarding sample - try capturing again"
cam_lidar_calibration 解析
qq_57615412的博客
07-11 532
如果消息到达的速度大于处理的速度，同步队列将会存储多个消息，并按照到达的顺序进行处理。这意味着，当同步队列中存储了 5 条未处理的消息时，如果有新的消息到达，最早到达的消息将被丢弃，以便为新消息腾出空间。同时在采集样本时应该取其拟合效果较好的，输入i后会看到拟合平面，有的时候拟合效果很不好，此时不要输入 enter，继续输入 i，直到拟合效果看起来。这个结果看起来挺好的，但是雷达的扫描应该是覆盖整个图像宽度的，但是这个映射出来的点云图像，好像图像左边有一部分没扫描到。初步怀疑是相机畸变矫正部分没有做好？
sensor: lidar: lidar: - driver: use_lidar_clock: true device_type: RS128 frame_id: /middle_lidar name: !<!> 中激光 - driver: device_type: RSBP frame_id: /left_lidar use_lidar_clock: false name: !<!> 左激光 - driver: use_lidar_clock: false frame_id: /right_lidar device_type: RSBP name: !<!> 右激光 common: send_points_ros: true msg_source: 1 send_points_proto: false send_packets_ros: true camera: common: send_msg_ros: true msg_source: 1 send_msg_proto: false camera: - driver: frame_id: /front_left device_type: GeneralCamera port_name: /dev/rs_camera0 name: !<!> 前左相机 - driver: frame_id: /front_right port_name: /dev/rs_camera1 device_type: GeneralCamera name: !<!> 前右相机 - driver: frame_id: /back_left port_name: /dev/rs_camera2 device_type: GeneralCamera name: !<!> 后左相机
07-14
对于给定的YAML文件内容，你可以使用YAML-CPP库来读取和解析它。以下是一个示例代码，展示如何读取该YAML文件中的内容： ```cpp #include <iostream> #include <yaml-cpp/yaml.h> int main() { // 读取YAML文件 YAML::Node config = YAML::LoadFile("config.yaml"); // 获取lidar节点 YAML::Node lidar = config["sensor"]["lidar"]["lidar"]; // 遍历lidar数组中的每个元素 for (std::size_t i = 0; i < lidar.size(); ++i) { // 获取driver节点 YAML::Node driver = lidar[i]["driver"]; // 获取driver节点的frame_id值 std::string frameId = driver["frame_id"].as<std::string>(); // 获取driver节点的device_type值 std::string deviceType = driver["device_type"].as<std::string>(); // 输出frame_id和device_type值 std::cout << "Frame ID: " << frameId << std::endl; std::cout << "Device Type: " << deviceType << std::endl; // 其他操作... } // 获取camera节点下的camera数组 YAML::Node camera = config["sensor"]["camera"]["camera"]; // 遍历camera数组中的每个元素 for (std::size_t i = 0; i < camera.size(); ++i) { // 获取driver节点 YAML::Node driver = camera[i]["driver"]; // 获取driver节点的frame_id值 std::string frameId = driver["frame_id"].as<std::string>(); // 获取driver节点的device_type值 std::string deviceType = driver["device_type"].as<std::string>(); // 输出frame_id和device_type值 std::cout << "Frame ID: " << frameId << std::endl; std::cout << "Device Type: " << deviceType << std::endl; // 其他操作... } return 0; } ``` 在上述示例中，假设你的YAML文件名为"config.yaml"，你可以根据需要修改文件名。通过使用YAML-CPP库的`LoadFile`函数加载YAML文件，并使用`[]`运算符获取相应的节点和值。 请确保在编译和运行代码之前已经安装了YAML-CPP库，并将其包含到你的项目中。希望这可以帮助到你！如果你有任何疑问，请随时提问。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

钟洁祺

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值