【技术实现步骤摘要】
本专利技术涉及轨道交通，尤其涉及一种相机与激光雷达的标定方法及装置。
技术介绍
1、近年来，无人驾驶技术飞速发展。无人驾驶不仅能够缓解交通压力，提高人们的出行体验，而且轨道交通领域能够发挥举足轻重的作用。丰富的传感器是无人驾驶列车在复杂的场景下发挥感知和定位功能的基石，其中传感器标定是传感器高效工作的基础。传感器标定又分为内参标定和外参标定，内参标定包括相机去畸变、激光雷达内部偏差标定等，外参标定是指不同传感器之间的相对位置和姿态，常见的有激光雷达和惯导单元之间的位置和姿态，激光雷达和相机之间的位置和姿态等。不同传感器之间外参的标定精度直接影响无人驾驶列车的感知精度。
2、在激光雷达和相机之间的外参标定领域中，精度和自动化程度一直是两个矛盾的追求目标。基于特征提取的标定方法通过提取激光点云和图像的共有特征求解pnp问题实现了非常高的标定精度，但是这种方法需要制作特殊的标定板，自动化程度很低；基于深度学习的方法自动化程度很高，但是其训练和处理需要大量的时间，而且泛化能力不强。
技术实现思路
1、本专利技术提供一种相机与激光雷达的标定方法，用以解决现有技术中标定精度和自动化程度的矛盾，实现外参标定精度和自动化程度的平衡。
2、第一方面，本申请实施例提供一种相机与激光雷达的标定方法，包括：
3、获取相机的图像数据，以及对应的激光雷达的点云数据，并对所述点云数据进行重投影得到点云重投影数据；
4、将所述图像数据以及所述点云重投影数据输入到目标
5、其中，所述目标模型包括：
6、特征提取网络，用于对所述图像数据进行特征编码，得到所述图像数据的深层语义特征；对所述点云重投影数据进行特征编码，得到所述点云重投影数据的深度图像特征；
7、特征融合层，用于融合所述深层语义特征与所述深度图像特征，得到融合结果；
8、特征聚合层，用于基于所述融合结果确定所述外参矩阵。
9、在一个实施例中，所述特征融合层具体用于：
10、确定所述深层语义特征中各像素与其对应的深度图像特征关联的匹配代价；
11、基于各匹配代价确定所述融合结果。
12、在一个实施例中，所述特征聚合层具体用于：
13、基于所述融合结果确定所述相机与所述激光雷达之间的平移向量和旋转四元数，并根据所述平移向量和旋转四元数确定所述外参矩阵。
14、在一个实施例中，所述匹配代价通过如下方式确定：
15、
16、其中，c(xrgb(pi),xlidar(pj))表示所述匹配代价；xrgb(pi)表示深层语义特征图中第i个位置的特征向量；xlidar(pj)表示深度图像特征图中第j个位置的特征向量；d表示位置i为中心，边长为d的正方形区域中的点集；t为转置运算符。
17、在一个实施例中，所述目标模型是通过如下方式训练的：
18、根据图像数据样本、与所述图像数据样本对应的点云重投影数据样本、所述图像数据样本与所述点云重投影数据样本之间所对应的外参矩阵标签对初始模型进行训练，得到所述目标模型。
19、在一个实施例中，所述初始模型的损失函数l为：
20、
21、其中，μr和μg为权重系数；qgt表示由所述相机与所述激光雷达之间真实的旋转参数得到的旋转四元数；qpred表示所述初始模型预测的旋转四元数；tgt表示所述相机与所述激光雷达之间真实的平移向量；tpred表示所述初始模型预测的平移向量；||||2表示求两个向量的2范式；da表示两个四元数的角距离；lg表示基于光流密度的损失。
22、在一个实施例中，所述将所述图像数据以及所述点云重投影数据输入到目标模型之前，还包括：
23、根据canny边缘检测和阈值抑制中的至少一项对所述图像数据进行预处理。
24、第二方面，本申请实施例提供一种相机与激光雷达的标定装置，包括：
25、获取模块，用于获取相机的图像数据，以及对应的激光雷达的点云数据，并对所述点云数据进行重投影得到点云重投影数据；
26、预测模块，用于将所述图像数据以及所述点云重投影数据输入到目标模型，得到所述目标模型输出的外参矩阵，所述外参矩阵用于表征所述相机与所述激光雷达的相对位置和姿态；
27、其中，所述目标模型包括：
28、特征提取网络，用于对所述图像数据进行特征编码，得到所述图像数据的深层语义特征；对所述点云重投影数据进行特征编码，得到所述点云重投影数据的深度图像特征；
29、特征融合层，用于融合所述深层语义特征与所述深度图像特征，得到融合结果；
30、特征聚合层，用于基于所述融合结果确定所述外参矩阵。
31、第三方面，本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
32、第四方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的方法。
33、本申请实施例提供的相机与激光雷达的标定方法及装置，通过目标模型对图像数据以及点云重投影数据进行特征提取、特征融合，并根据融合结果确定外参矩阵，从而可以自动化实现相机与激光雷达的外参标定，解决了恶劣光线下位姿矩阵匹配精度低的问题，并有效保证了相机与激光雷达外参标定的效率和准确度。
本文档来自技高网...【技术保护点】
1.一种相机与激光雷达的标定方法，其特征在于，包括：
2.根据权利要求1所述的相机与激光雷达的标定方法，其特征在于，所述特征融合层具体用于：
3.根据权利要求2所述的相机与激光雷达的标定方法，其特征在于，所述特征聚合层具体用于：
4.根据权利要求2所述的相机与激光雷达的标定方法，其特征在于，所述匹配代价通过如下方式确定：
5.根据权利要求3所述的相机与激光雷达的标定方法，其特征在于，所述目标模型是通过如下方式训练的：
6.根据权利要求5所述的相机与激光雷达的标定方法，其特征在于，所述初始模型的损失函数L为：
7.根据权利要求1至6任一项所述的相机与激光雷达的标定方法，其特征在于，所述将所述图像数据以及所述点云重投影数据输入到目标模型之前，还包括：
8.一种相机与激光雷达的标定装置，其特征在于，包括：
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的相机与激光雷达的标定方法的步骤。
10.一种处理
...【技术特征摘要】
1.一种相机与激光雷达的标定方法，其特征在于，包括：
2.根据权利要求1所述的相机与激光雷达的标定方法，其特征在于，所述特征融合层具体用于：
3.根据权利要求2所述的相机与激光雷达的标定方法，其特征在于，所述特征聚合层具体用于：
4.根据权利要求2所述的相机与激光雷达的标定方法，其特征在于，所述匹配代价通过如下方式确定：
5.根据权利要求3所述的相机与激光雷达的标定方法，其特征在于，所述目标模型是通过如下方式训练的：
6.根据权利要求5所述的相机与激光雷达的标定方法，其特征在于，所述初始模型的损失函数...
【专利技术属性】
技术研发人员：张强，张宇旻，
申请(专利权)人：北京埃福瑞科技有限公司，
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。