Automatic Extrinsic Calibration for Lidar-Stereo Vehicle Sensor Setups阅读笔记

Automatic Extrinsic Calibration for Lidar-Stereo Vehicle Sensor Setups
paper
ros_code

特点：
1、用于低分辨率的传感器和特定的pose
2、引入了一种新的标定结果量化评估方法

3 标定方法：

3.1 数据输入：

1. 16线激光雷达点云信息
2. 立体相机的灰度图
3. 深度图：深度图保证每一个像素点都有xyz信息，通过Semi-Global Matching (SGM)方法获取到，该方法在深度估计上比较有效

标定主要是探索两组点云之间的关系信息，由于两组点云是在各自的坐标系中，因此可以由此得出传感器之间的参数关系；
圆的边界定位的方法并不会影响标定的精度，因为圆是通过点的强度值得到的。

3.2 目标分割

目标分割主要用于找到平面上的点云

1. 使用常见的RANSAC方法获取平面；
   
2. 在平面上找到边缘上的点，这些点属于传感器：利用点云序列化的条件，将同一线上相邻的点距离做差值，差值超过阈值的，视为找到了边缘上的点（下文方法）；
   立体视觉上利用Sobel滤波器根据图像上的反射值，提取图像平面的边界；

J. Levinson and S. Thrun, “Automatic Online Calibration of Camerasand Lasers,” inRobotics: Science and Systems, 2013

3. 此步骤用于提取圆心上的点，圆的中心点作为用于匹配两个传感器的关键点
针对激光雷达点云：为了提高圆心提取的准确度，实施了一种滤波过程
要点：由于在此阶段点云存在不连续性，因此要去除的离群值主要来自校准目标的外边界。

针对相机点云：圆心的提取和边缘线提取的估计方法有关系，且需要根据圆的朝向，标定样式(calibration pattern)的维度，来计算圆心位置（具体不知道咋算的呀）

结论：方法对边界的提取比较鲁棒
通过旋转，使得XY平面一致，并调整Z坐标，将圆的半径视为常量，并将圆心之间的实际距离与标定距离作为考量，获取到圆心位置

• 怎么获取的感觉没有说清楚，待考察
  优点：此方法在二维平面上展开，对圆心点的要求数量较少，因此三个圆就够了，文章中采用四个圆
  采集使用了多帧数据，并保持目标静止

4. 开始标定：
   第一步---->>>>
   利用两个传感器坐标系下的圆心点，建立方程，通过最小二乘法得到平移向量三个参数的初值；
   第二步---->>>>
   利用ICP算法通过最小化两个圆心之间的距离之和。

4 实验测试

和下面两篇文章作对比：

1. M. Velas, M. Spanel, Z. Materna, and A. Herout, “Calibration of RGBCamera With Velodyne LiDAR,” inComm. Papers Proc. InternationalConference on Computer Graphics, Visualization and Computer Vision(WSCG), 2014, pp. 135–144
2. A. Geiger, F. Moosmann, ̈O. Car, and B. Schuster, “Automatic Cameraand Range Sensor Calibration using a single Shot,” inProc. IEEEInternational Conference on Robotics and Automation (ICRA), 2012,pp. 3936–3943
   网络工具箱：http://www.cvlibs.net/software/calibration/

个人总结（仅仅是个人观点）：

1. 重点可以学习一下如何获取到圆心点的坐标，因为普通的获取方法并不会产生较好的精度，标定的第四步优化过程属于普遍的方法；
2. 算法对比不足，缺乏从理论上分析优势，仅做数据分析；