【技术实现步骤摘要】
本专利技术属于自动驾驶环境感知的，主要涉及了一种相机与激光雷达传感器设备的外参标定方法及系统。
技术介绍
1、随着人工智能技术近几年的快速发展，自动驾驶作为人工智能领域中最受关注的重要应用之一，发展十分迅速。其中环境感知是自动驾驶系统的重要组成部分，对交通环境进行精准的感知是其它功能模块正常工作的前提，车辆对周围环境感知的准确度越高，车辆的运动规划和决策工作就越准确。要实现精准的环境感知功能，就需要充分的获取车辆周围的环境信息，利用多种传感器优势互补的方式对环境信息进行数据采集是必不可少的，其中使用相机和激光雷达组成的多传感设备对环境信息进行数据采集是现在的主流解决方案。为了有效地融合相机和激光雷达采集到的数据，需要对两种传感器的几何关系进行标定，建立二者间的对应关系，这个过程被称为相机和激光雷达的外参标定。
2、关于相机和激光雷达之间的外参标定，目前已有较多的解决方案。根据标定工具的使用情况主要分为基于目标的标定方法和无目标的标定方法。基于目标的标定方法具有易于获取特征点、算法简单、计算量小、精度高等优点，但这类方法不能进行实时标定，必须在使用传感器系统前对其进行标定，并且需要制作特定的标定板，操作流程复杂且耗时。无目标的标定方法又称为在线标定，相比于基于目标的标定方法，无目标的标定方法不需要特定的标定板，标定过程更方便。在实际应用中，无目标的标定方法为了获得较高质量的标定结果，通常需要标定环境具备良好的线特征和轮廓特征。
3、然而在自动驾驶领域中，多传感设备在交通场景中容易受到环境影响导致其外部参数发
技术实现思路
1、本专利技术正是针对现有技术在自动驾驶领域中应用时存在的不足问题，提供一种相机与激光雷达传感器设备的外参标定方法及系统，首先，使用采集设备采集图像和点云数据，在激光雷达采集到的原始点云数据中进行路面提取，对提取到的路面点云数据采用体素补全的方式得到路面点云补全数据，并对补全后的点云数据的反射强度值进行直方图均衡化以增强车道标识和路面间反射强度的对比度；再将路面点云数据投影至像平面后与相机图像进行特征点匹配，利用求得的匹配特征点求解出初始外部参数；最后利用互信息值构建由外部参数中元素组成的目标函数，使用优化算法优化求得最佳的外部参数。本专利技术提出的相机和激光雷达外部参数的在线标定方法，在保证标定精度的同时具备可在线完成标定、流程简单、在交通场景中适应性强的优点，满足自动驾驶系统中对相机和激光雷达多传感器外部参数的在线标定需求。
2、为了实现上述目的，本专利技术采取的技术方案是：一种相机与激光雷达传感器设备的外参标定方法，包括如下步骤：
3、s1，数据采集：使用采集设备对交通场景的数据进行采集，所述数据至少包括图像和激光雷达点云；
4、s2，路面提取：使用ransac算法对步骤s2采集到的激光雷达点云数据进行交通路面点云的提取；
5、s3，数据补全：使用插值算法，对步骤s2提取的交通路面点云数据进行补全；
6、s4，均衡化操作：对步骤s3补全后的路面点云数据的反射强度值进行直方图均衡化；
7、s5，反射强度图像获取：将点云初步投影，利用反射强度作为灰度值得到交通场景的反射强度图像；
8、s6，匹配点获取：将步骤s5获取的反射强度图和相机图像进行特征匹配，求解匹配特征点；
9、s7，求解初始外部参数：根据步骤s6获得的匹配特征点，利用epnp算法求解出初始外部参数矩阵；所述外部参数矩阵至少包括旋转矩阵和平移向量；
10、s8，标定外部参数获得：定义由外部参数中元素所构建的目标函数，使用优化算法对目标函数进行优化训练，选取目标函数最大值处所对应的外部参数为最终标定外参。
11、作为本专利技术的一种改进，所述步骤s2具体包括：
12、s21：在原始点云中随机选择一个子集，作为初始平面模型的点集，通过这个子集计算适合该平面模型的参数，求解出初始平面方程：
13、ax+by+cz-d＝0
14、其中，a、b、c、d为平面模型参数，x、y、z为三维坐标；
15、s22：设置阈值和迭代次数，计算所有其他点到该初始模型的距离，如果距离小于阈值，就将其视为内点，否则将其视为外点，记录此时的内点数量，并更新模型参数；
16、s23：重复步骤s22，直到到达迭代次数，将内点数最多的选为最终模型，此模型的内点即为提取到的交通路面点云。
17、作为本专利技术的一种改进，所述步骤s3中将点云数据分割成均匀大小的体素，每个体素内包含一组点，对每个体素设置缺失点位置并执行插值算法以估计其反射强度值，进行插值后将所有的体素和插值结果合并，形成整个点云的补全数据；所述体素的大小由点云的密度和分布来确定。
18、作为本专利技术的另一种改进，所述步骤s4中，反射强度直方图均衡化具体为：
19、refnew＝[cdfref×255]
20、其中refnew表示更新后的反射强度，cdfref为原始点云反射强度的累计分布函数，[]表示向下取整函数。
21、作为本专利技术的又一种改进，所述步骤s8中的目标函数为：
22、
23、其中，为求目标函数取最大值时的参数的函数，mi为计算随机变量x和y的互信息值函数，为mi(x,y；θ)取最大值时的参数θ值，随机变量x和y分别为激光雷达三维点的反射强度值和相应的投影像素点的灰度值，θ＝[x,y,z,φ,θ,ψ]为标定外参，其中(x,y,z)为平移向量t，(φ,θ,ψ)为旋转矩阵r经罗德里格斯变换所获得的欧拉角(φ,θ,ψ)。该目标函数的最大值出现在校准处于准确的外部参数时。
24、作为本专利技术的更进一步改进，所述步骤s8中，使用优化方法adagrad对目标函数进行优化，adagrad的参数更新方法如下式所示：
25、
26、
27、其中变量h为累计梯度，为求偏导运算，⊙表示对应矩阵元素的乘法，θ＝[x,y,z,φ,θ,ψ]为标定外参，η为学习率。
28、为了实现上述目的，本专利技术还采取的技术方案是：一种相机与激光雷达传感器设备的外参标定系统，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。
29、与现有技术相比，本专利技术具有的有益效果：本专利技术提出了一种适用于自动驾驶交通场景中的相机和激光雷达外部参数的在线标定方法，该标定方法无需特定本文档来自技高网...
【技术保护点】
1.一种相机与激光雷达传感器设备的外参标定方法，其特征在于,包括如下步骤：
2.如权利要求1所述的一种相机与激光雷达传感器设备的外参标定方法，其特征在于：所述步骤S2具体包括：
3.如权利要求2所述的一种相机与激光雷达传感器设备的外参标定方法，其特征在于：所述步骤S3中将点云数据分割成均匀大小的体素，每个体素内包含一组点，对每个体素设置缺失点位置并执行插值算法以估计其反射强度值，进行插值后将所有的体素和插值结果合并，形成整个点云的补全数据；所述体素的大小由点云的密度和分布来确定。
4.如权利要求3所述的一种相机与激光雷达传感器设备的外参标定方法，其特征在于：所述步骤S4中，反射强度直方图均衡化具体为：
5.如权利要求1所述的一种相机与激光雷达传感器设备的外参标定方法，其特征在于：所述步骤S8中的目标函数为：
6.如权利要求5所述的一种相机与激光雷达传感器设备的外参标定方法，其特征在于：所述步骤S8中，使用优化方法AdaGrad对目标函数进行优化，AdaGrad的参数更新方法如下式所示：
7.一种相机与激光雷达
...【技术特征摘要】
1.一种相机与激光雷达传感器设备的外参标定方法，其特征在于,包括如下步骤：
2.如权利要求1所述的一种相机与激光雷达传感器设备的外参标定方法，其特征在于：所述步骤s2具体包括：
3.如权利要求2所述的一种相机与激光雷达传感器设备的外参标定方法，其特征在于：所述步骤s3中将点云数据分割成均匀大小的体素，每个体素内包含一组点，对每个体素设置缺失点位置并执行插值算法以估计其反射强度值，进行插值后将所有的体素和插值结果合并，形成整个点云的补全数据；所述体素的大小由点云的密度和分布来确定。
4.如权利要求3所述的一种相机与...
【专利技术属性】
技术研发人员：李旭，杨涵，徐启敏，朱建潇，王贲武，
申请(专利权)人：东南大学，
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。