【技术实现步骤摘要】
一种基于深度学习的激光雷达与相机外参标定方法及装置
[0001]本专利技术涉及计算机领域,特别涉及一种基于深度学习的激光雷达与相机外参标定方法、装置、计算机设备以及存储有计算机指令的非瞬时计算机可读存储介质。
技术介绍
[0002]在过去的一段时间里,自动驾驶已经成为了一个非常热门的发展方向,而感知系统作为自动驾驶系统的眼睛,其重要性不言而喻。现实环境复杂而多变,基于单一传感器的感知系统很难应对,所以多传感器融合成了众多感知系统的解决方案,特别是能提供稀疏3D信息的激光雷达和稠密2D信息的相机之间的数据融合。标定是计算机视觉与机器人领域的基础问题,比如,在无人驾驶车辆等同时搭载有激光雷达和相机这两类传感器的移动平台中,则需要进行激光雷达与相机之间的标定。而雷达点云数据与相机图像数据融合的基础是通过标定得到激光雷达与相机之间准确的外参。
技术实现思路
[0003]有鉴于此,本专利技术实施例提供了一种基于深度学习的激光雷达与相机外参标定方法、装置、计算机设备以及存储有计算机指令的非瞬时计算机可读存储介质。
[0004]第一方面,本专利技术实施例中提供了一种基于深度学习的激光雷达与相机外参标定方法,所述方法包括:
[0005]获取相机采集的图像数据以及激光雷达所采集的点云数据;
[0006]将所述点云数据投影至所述相机的像平面上组成深度图;
[0007]利用堆叠沙漏网络分别提取所述图像数据的第一深层特征和所述深度图的第二深层特征;
[0008]利用选核网络对所述第一深
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的激光雷达与相机外参标定方法,其特征在于,所述方法包括:获取相机采集的图像数据以及激光雷达所采集的点云数据;将所述点云数据投影至所述相机的像平面上组成深度图;利用堆叠沙漏网络分别提取所述图像数据的第一深层特征和所述深度图的第二深层特征;利用选核网络对所述第一深层特征和所述第二深层特征进行通道上的级联得到级联特征,通过不同感受野卷积核对所述级联特征进行特征提取,确定不同感受野下所述深度图和所述图像数据的特征相关性,利用注意力机制对不同的特征聚合通道进行自适应选择得到聚合特征;将所述聚合特征通过全连接层回归得到所述激光雷达和所述相机之间外参的平移分量和旋转分量,完成标定。2.根据权利要求1所述的基于深度学习的激光雷达与相机外参标定方法,其特征在于,所述将所述点云数据投影至所述相机的像平面上组成深度图,包括:给定所述激光雷达与所述相机之间的初始外参矩阵T
init
和所述相机内参矩阵K,将所述点云数据中的每个点P
i
(x
i
,y
i
,z
i
)都投影至像平面上组成深度图D,所述深度图D对应的像素坐标为P
i
(u
i
,v
i
),像素值为Z
i
,投影过程如下:,投影过程如下:其中,是像素坐标P
i
的齐次坐标。3.根据权利要求1或2所述的基于深度学习的激光雷达与相机外参标定方法,其特征在于,还包括:将每帧点云数据通过真值外参T
LC
转到相机空间坐标系下,再乘以随机扰动矩阵
△
T以及相机内参转成深度图,此时每帧点云数据对应的初始外参矩阵为T
init
=
△
T*T
LC
。4.根据权利要求1所述的基于深度学习的激光雷达与相机外参标定方法,其特征在于,所述将所述聚合特征通过全连接层回归得到所述激光雷达和所述相机之间外参的平移分量和旋转分量,包括:将所述聚合特征通过一个全连接层,输出的是1
×
3的平移向量t
pred
和1
×
4的旋转四元数q
pred
=(q0,q1,q2,q3),四元数与旋转矩阵的转换公式:
设置两种损失函数分别为回归损失L
T
和点云距离损失L
p
:L=λ
T
L
T
+λ
p
L
p
ꢀꢀ
(4)其中,回归损失L
T
由平移分量损失L
t
和旋转分量损失L
R
两部分组成,L
t
为t
pred
与t
gt
之间的smooth L1损失,其中t
gt
和q
...
【专利技术属性】
技术研发人员:高文,伍易,魏铭,王博,刘慧莹,林慧兰,
申请(专利权)人:中国科学院长春光学精密机械与物理研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。