激光雷达和相机感知融合简介

最新推荐文章于 2025-03-06 16:38:34 发布

小白学视觉

最新推荐文章于 2025-03-06 16:38:34 发布

阅读量2.5k

点赞数

文章标签：计算机视觉人工智能

原文链接：https://mp.weixin.qq.com/s?__biz=MzU0NjgzMDIxMQ==&mid=2247604808&idx=5&sn=8ce9907bb364cca0076a9c367a0b3c24&chksm=fb54b8a4cc2331b247f6f96c6d83758d86ef2b71014e1f44516da2eb7d3432b13d254d3f1a5e&scene=126&sessionid=0

版权

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

总的来说，自动驾驶的四大核心技术，分别是环境感知、精确定位、路径规划、线控执行。由于环境感知和精确定位都需应用多个传感器，传感器融合技术正是归类于这两大核心技术的。

作者丨十点雨@知乎

链接丨https://zhuanlan.zhihu.com/p/446284775

本文介绍激光雷达和相机融合的两种方法：

前融合：融合原始数据（点云和像素/目标框）。

后融合：融合目标框。

1 前融合

前融合一般指融合原始数据，最容易、最普遍的方式是将点云投影到图像。然后检查点云是否属于图像中检测的2D目标框。流程如下：

1.1 点云投影

三步：

·将3D激光雷达点转换为齐次坐标

·将点云变换到图像坐标系（LiDAR-Camera外参）

·透视投影到图像平面（相机内参）

1.2 图像目标检测

一般使用YOLO系列算法。可以参考：Introduction to YOLOv4: Research review（https://www.thinkautonomous.ai/blog/?p=introduction-to-yolov4-research-review）

1.3 ROI匹配

ROI （Region Of Interest）匹配即融合目标边界框内的数据。这一步的输出：

·对于每个2D边界框，图像检测提供类别。

·对于每个LiDAR投影点，我们有准确的距离。

因此，融合目标语义类别和空间位置就完善了。这一步的重点是如何融合目标边界框内的投影点，作为目标位置：求平均，中值，中心点，最近点？

另外，图像目标框往往比真实目标大一些，目标边界框内投影点云可能不属于真实目标（比如可能属于背景，或附近目标）。针对这个问题，采用图像分割，可以更准确地匹配投影点和像素。

下图箭头处显示了投影点在目标框内，但不属于目标框对应的车辆，而是前方车辆的点云。

2 后融合

后融合是融合各个传感器独立的检测结果，有两种融合思路：

·2D融合：图像2D检测，点云3D检测投影到图像生成的2D检测。如下图：

·3D融合：图像3D检测，点云3D检测。流程如下：

下文详细介绍下3D融合的思路。

2.1 点云3D目标检测

·传统方法：聚类，L-shape fitting等

·深度学习方法：centerpoint等

2.2 图像3D目标检测

单目3D目标检测，需要知道投影参数（相机内参，标定外参），并使用深度学习。知道目标的真实大小和朝向也有助于得到目标的准确边界框。

分享一篇单目3D检测论文： 3D Bounding Box Estimation Using Deep Learning and Geometry（https://arxiv.org/pdf/1612.00496.pdf）

2.3 IOU匹配

IOU即Intersection Over Union，描述两个边界框的重合程度。

2.3.1 空域上的IOU匹配

匹配就是看图像3D边界框和点云3D边界框是否重合（用IOU衡量），重合度高则是同一个目标。3D Iou--Net (2020)中的示例图像：

因此，我们可以在空域上将不同传感器的检测目标进行关联。

这个过程在9 Types of Sensor Fusion Algorithms中（https://www.thinkautonomous.ai/blog/?p=9-types-of-sensor-fusion-algorithms），被定义为中级（middle-level）传感器融合。中级传感器融合和高级传感器融合的区别是，高级传感器融合包括跟踪。

而为了时间跟踪，则需要时域上的数据关联。

2.3.2 时域上的IOU匹配

目标跟踪一般用卡尔曼滤波和匈牙利算法来关联时域上的目标，从而跨帧跟踪目标，甚至预测目标位置。

跟踪3D边界框位置时，一般用IOU作为度量进行数据关联。当然也可以使用深度卷积特征来确保目标一致。我们称该过程为SORT (Simple Online Realtime Tracking), 或Deep SORT，如果使用深度卷积特征。

时域上IOU匹配的原理与空域上类似：如果第一帧和第二帧的边界框重合，则说明两个目标是相同的。

既然我们可以在空域和时域上跟踪目标，那么也可以利用类似方法进行高级的传感器融合。

2.4 后融合总结

融合检测目标是中级的融合，需要空域上的IOU匹配；融合跟踪轨迹是高级的融合，需要时域上的IOU匹配（匹配度量），卡尔曼滤波（状态估计），匈牙利算法（数据关联）。

本文仅做学术分享，如有侵权，请联系删文。

好消息！

小白学视觉知识星球

开始面向外开放啦👇👇👇

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~