一种基于检测物体的大基线多激光雷达标定的方法及系统技术方案

本发明专利技术公开了一种基于检测物体的大基线多激光雷达标定的方法，包括以下步骤：通过多个单激光雷达将目标物体检测出来，并且确定目标物体的中心点以及三维坐标；在每个激光雷达中任意选取三个目标检测物体以及其中心点；进行最近的点云配准，得到一次粗匹配结果，重复上述计算，并进行迭代，直至满足定义的收敛条件，完成N次粗匹配，得到相应的匹配参数，将得到的粗匹配结果作为初始值，对整体点云进行迭代最近点的点云匹配算法，回归得到精确的多激光雷达的匹配参数，并利用该参数，对多激光雷达点云进行融合，实现多激光雷达的标定；本发明专利技术可以适用于室外大基线场景，以弥补单个激光雷达的感知缺陷，确保精确且稠密的环境三维信息。息。息。

【技术实现步骤摘要】
一种基于检测物体的大基线多激光雷达标定的方法及系统


[0001]本专利技术涉及视觉测量
，特别涉及一种基于检测物体的大基线多激光雷达标定的方法及系统。

技术介绍

[0002]当前，在机器人、无人驾驶、安防监控、智能交通等领域，为了增强设备的感知能力，多种传感器被采用，比如，单目相机、双目相机、热感相机、激光雷达等。在众多传感器中，激光雷达因其能提供精确而且稠密的环境三维信息和反射强度信息，而得到广泛应用。
[0003]但是，现有的单个激光雷达方案有许多缺陷：其一，大多数固定安装的激光雷达由于其视野范围有限，其视野范围无法达到360度，进而实现全覆盖；其二，大多数机械式激光雷达虽然能够达到水平方向360度覆盖，然而其扫描线束有限，激光雷达在其360度视野范围内的垂直分辨率同样受限。因此，如果希望对提高激光雷达感知范围和提高分辨率，则需要放置多个激光雷达，而多个激光雷达系统最重要的步骤就是多个激光雷达的标定。
[0004]尽管目前存在一些多个激光雷达标定方法和系统，但大部分仅限于室内、短基线的场景，其无法应用到室外、大基线场景，例如无人驾驶和智能交通场景。因此，一个能适用于室外、大基线场景的多激光雷达标定的感知系统具备重要的实用价值。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的上述缺陷，提供一种基于检测物体的大基线多激光雷达标定的方法及系统；可以适用于室外大基线场景，以弥补单个激光雷达的感知缺陷，确保精确且稠密的环境三维信息。
[0006]为实现上述目的，本专利技术提供了一种基于检测物体的大基线多激光雷达标定的方法，包括以下步骤：
[0007]步骤S1：通过深度学习技术，将多个单激光雷达中的目标物体检测出来，并且确定目标物体的中心点以及在该激光雷达坐标系下的三维坐标；
[0008]步骤S2：在每个激光雷达中任意选取三个目标检测物体以及其中心点；进行最近的点云配准，得到一次粗匹配结果，计算外参矩阵据中的旋转矩阵R和平移向量T；
[0009]步骤S3：重复步骤S2，并进行迭代，直至满足定义的收敛条件，完成N次粗匹配，得到相应的匹配参数，即外参矩阵据中的旋转矩阵R和平移向量T；
[0010]步骤S4：将步骤S3中得到的粗匹配结果作为初始值，对整体点云进行迭代最近点的点云匹配算法，回归得到精确的多激光雷达的匹配参数，即外参矩阵据中的旋转矩阵R和平移向量T；并利用该参数，对多激光雷达点云进行融合，实现多激光雷达的标定。
[0011]作为优选的，所述步骤S1中还包括以下步骤；
[0012]步骤S11：确定作业任务要关注的目标物体以及目标物体的类别；
[0013]步骤S12：通过激光雷达对目标物体进行拍摄，获得所有单个激光雷达中的雷达点云数据；
[0014]步骤S13：将点云数据输入深度卷积神经网络，从其输出结果中获得目标物体的中心点以及目标物体在激光雷达坐标系中的三维坐标。
[0015]作为优选的，所述步骤S2中还包括；将选取的任意两对三个中心点，根据其任意给定的匹配关系；进行SVD分解求解两者之间的外参矩阵，得到旋转矩阵R和平移向量T。
[0016]作为优选的，所述步骤S3中还包括以下步骤；
[0017]步骤S31：重复迭代所有检测物体中心点，计算每一次得到的匹配误差，并对其匹配精准度进行打分；
[0018]步骤S32：将最终分数最高的作为粗略匹配的最优解输出。
[0019]作为优选的，所述步骤S4中还包括；将步骤S32得到的粗略最优解作为初始值，对所有点云进行全局匹配，根据迭代最近点算法进行点云配准，得到优化有后的最终解；即外参矩阵据中的旋转矩阵R和平移向量T；并利用该参数，对多激光雷达点云进行融合，实现多激光雷达的标定。
[0020]本专利技术还提供了一种采用上述所述一种基于检测物体的大基线多激光雷达标定的方法的系统，包括：目标物体，多激光雷达，点云计算模块，参数输出模块和标定模块；
[0021]目标物体，将若干个目标物体放置到多个单激光雷达中的公共视野处；
[0022]多激光雷达，对视野中的目标物体进行拍摄，获得所有单个激光雷达中的雷达点云数据；
[0023]点云计算模块，与多激光雷达通讯连接，将点云数据输入深度卷积神经网络，从其输出结果中获得目标物体的中心点以及目标物体在激光雷达坐标系中的三维坐标；
[0024]参数输出模块，与点云计算模块通讯连接，在多个激光雷达下任意选取三个目标物体以及其中心点，进行最近临点云配准，得到一次粗匹配结果；重复进行迭代，直至算法满足定义的收敛条件，完成N次粗匹配，得到相应的匹配参数；将得到的粗匹配结果作为初始值，对整体点云进行迭代最近点的点云匹配算法，回归得到精确的多激光雷达的匹配参数，即外参矩阵据中的旋转矩阵R和平移向量T；
[0025]标定模块，与参数输出模块通讯连接，将上述匹配参数，对多激光雷达点云进行融合，实现多激光雷达的标定。
[0026]与现有技术相比，本专利技术的有益效果在于：
[0027]本专利技术提供的方法和系统通过检测目标物体在激光雷达的中心点以及三维坐标，然后对坐标进行多次迭代、收敛和粗匹配，并利用粗匹配结果作为初始值，对整体点云进行迭代最近点的点云匹配算法，回归得到精确的多激光雷达的匹配参数，即外参矩阵据中的旋转矩阵R和平移向量T；并利用该参数，对多激光雷达点云进行融合，实现多激光雷达的标定；可以适用于室外大基线场景，以弥补单个激光雷达的感知缺陷，确保精确且稠密的环境三维信息；可以实现多个激光雷达点云的融合，搭建更可靠的感知系统；在此基础上，各项三维视觉感知任务可以达到稳定的性能，例如：对目标物体在三维空间的稳定跟踪、速度预测、轨迹预测、异常行为检测等。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术
的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0029]图1是本专利技术提供的一种基于检测物体的大基线多激光雷达标定的方法的流程框图；
[0030]图2是本专利技术提供的一种基于检测物体的大基线多激光雷达标定的系统的流程框图。
具体实施方式
[0031]下面将结合本专利技术本实施方式中的附图，对本专利技术本实施方式中的技术方案进行清楚、完整地描述，显然，所描述的本实施方式是本专利技术的一种实施方式，而不是全部的本实施方式。基于本专利技术中的本实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他本实施方式，都属于本专利技术保护的范围。
[0032]实施例一
[0033]请参考图1，本专利技术实施例一提供了一种基于检测物体的大基线多激光雷达标定的方法。
[0034]首先，对本专利技术提供的方法进行整体说明：本专利技术提供一种基于检测物体的大基线多激光雷达标定的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于检测物体的大基线多激光雷达标定的方法，其特征在于：包括以下步骤：步骤S1：通过深度学习技术，将多个单激光雷达中的目标物体检测出来，并且确定目标物体的中心点以及在该激光雷达坐标系下的三维坐标；步骤S2：在每个激光雷达中任意选取三个目标检测物体以及其中心点；进行最近的点云配准，得到一次粗匹配结果，计算外参矩阵据中的旋转矩阵R和平移向量T；步骤S3：重复步骤S2，并进行迭代，直至满足定义的收敛条件，完成N次粗匹配，得到相应的匹配参数，即外参矩阵据中的旋转矩阵R和平移向量T；步骤S4：将步骤S3中得到的粗匹配结果作为初始值，对整体点云进行迭代最近点的点云匹配算法，回归得到精确的多激光雷达的匹配参数，即外参矩阵据中的旋转矩阵R和平移向量T；并利用该参数，对多激光雷达点云进行融合，实现多激光雷达的标定。2.根据权利要求1所述的一种基于检测物体的大基线多激光雷达标定的方法，其特征在于：所述步骤S1中还包括以下步骤；步骤S11：确定作业任务要关注的目标物体以及目标物体的类别；步骤S12：通过激光雷达对目标物体进行拍摄，获得所有单个激光雷达中的雷达点云数据；步骤S13：将点云数据输入深度卷积神经网络，从其输出结果中获得目标物体的中心点以及目标物体在激光雷达坐标系中的三维坐标。3.根据权利要求1所述的一种基于检测物体的大基线多激光雷达标定的方法，其特征在于：所述步骤S2中还包括；将选取的任意两对三个中心点，根据其任意给定的匹配关系；进行SVD分解求解两者之间的外参矩阵，得到旋转矩阵R和平移向量T。4.根据权利要求1所述的一种基于检测物体的大基线多激光雷达标定的方法，其特征在于：所述步骤S3中...

【专利技术属性】
技术研发人员：王郸维，张俊，温明星，颜桥，
申请(专利权)人：中新国际联合研究院，
类型：发明
国别省市：