CN113470090A - 基于sift-shot特征的多固态激光雷达外参标定方法 - Google Patents
基于sift-shot特征的多固态激光雷达外参标定方法 Download PDFInfo
- Publication number
- CN113470090A CN113470090A CN202110836020.2A CN202110836020A CN113470090A CN 113470090 A CN113470090 A CN 113470090A CN 202110836020 A CN202110836020 A CN 202110836020A CN 113470090 A CN113470090 A CN 113470090A
- Authority
- CN
- China
- Prior art keywords
- point
- sift
- solid
- gaussian
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Abstract
本发明公开了一种基于SIFT‑SHOT特征的多固态激光雷达外参标定方法,先选择两个固态激光器各一帧点云,分别设为源点云和目标点云,然后对两帧点云采用体素下采样进行预处理,体素下采样可以大规模减少点云数据量,大规模减少点云关键点提取数据,从而减少特征描述和后续的过程的时间消耗;将完成预处理的两帧点云,使用SIFT算法提取SIFT关键点,将两帧点云的SIFT关键点使用SHOT特征描述子进行特征描述,并计算对应点对;然后通过采样一致性算法完成两帧点云的初始位姿配准;最后将获得的初始位姿配准图像采用ICP算法进行精确位姿变换配准,从而获得更好的外参标定效果。因此可在固态激光雷达初始位姿未知的情况下,就能精确的实现固态激光雷达的外参标定。
Description
技术领域
本发明涉及一种多固态激光雷达外参标定方法,具体是一种基于SIFT-SHOT特征的多固态激光雷达外参标定方法。
背景技术
固态激光雷达由于具有分辨率高、价格低、体积小等一系列优点,已逐渐应用到包括无人车、无人清扫、无人驾驶、室内移动机器人等许多场景。单个固态激光雷达(LiDAR)视角狭窄(通常为80°以下的锥形或扇形视场),难以保证无人装备的安全运行。所以为了克服固态激光雷达视场较小的缺点,通常采用多个固态激光雷达组合的方式实现宽视场角的感知。然而,多个固态激光雷达分布在车体的不同位置,各自的坐标系不一致,而雷达数据通常需要放在同一坐标系下处理,因此固态激光雷达的外参标定成为必不可少的一步,标定的准确性直接影响到数据处理的准确性。
进行多个激光雷达的标定多采用手工测量或制作专门的标定间。手工测量的缺点是测量精度难以保证,且难以测量旋转变换关系;制作专门的标定间的方案多被大型车企采用,这需要使用大量高精度专业测量设备进行测量。为了尽可能在降低成本的情况下准确进行固态激光雷达的外参标定,研究人员根据各自雷达的数据特点设计了一些标定算法。有学者利用静态标定靶标的扫描数据计算数学模型,得到两个二维激光雷达的相对位姿关系。还有学者提出了一种基于遗传算法的双激光雷达外参标定算法,实现了3自由度的优化标定。另外有学者利用雷达数据间的同构约束(即假设不同雷达扫描的三维模型一致)和采样一致性算法对多线激光雷达进行外参标定,但是该方案严重依赖给定的初始位姿,而初始位姿的测量并非易事,尤其是对于三轴旋转角度的测量,因此初始位姿的获取成为了一个迫需解决的难题。总结上述现有的方案不难发现,这些方法常需要制作特定的标定靶或者直角标定环境,并且大多数方法需提供激光雷达的初始位姿才能进行外参标定;这在实际的使用场景中通常难以直接测量,因此加大了标定工作的难度。
对于传感器初始位姿的获取问题,人们多采用点云配准方法。有学者应用盒子结构改进特征点对的匹配,提出了一种改进的ICP算法,提高了配准效率。还有使用均匀采样获得关键点后用SHOT特征描述子进行特征描述,提高了配准精度的同时加快了配准速度。另外有人使用Harris算法提取关键点,并使用快速特征直方图(FPFH)进行特征描述,最后使用NDT算法完成精配准提高了配准精度,但是实时性仍不足。虽然上述方法可用于初始位姿的获取,但是特征描述子的计算通常需要稠密的点云数据,因此长期以来多用于扫描仪或者结构光相机获取的稠密点云数据,而无法用于固态激光雷达间的初始位姿获取。
因此,如何能提供一种方法,使其无需对各个激光雷达的初始位姿进行直接测量,即能精确的实现固态激光雷达的外参标定,是本行业的研究方向。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于SIFT-SHOT特征的多固态激光雷达外参标定方法,无需对各个激光雷达的初始位姿进行直接测量,即能精确的实现固态激光雷达的外参标定。
为了实现上述目的,本发明采用的技术方案是:一种基于SIFT-SHOT特征的多固态激光雷达外参标定方法,具体步骤为:
A、获取点云数据:将多个固态激光雷达采用非重复扫描的方式获得多个点云数据;
B、对点云数据进行预处理并提取SIFT关键点:将步骤A中获得的点云数据,选择待配准的两个固态激光雷达的各一帧点云,将两帧点云采用体素下采样的方式进行点云预处理;将预处理后的两帧点云采用SIFT(尺度不变特征变换)算法分别提取两帧点云的SIFT关键点;
C、将两帧点云的SIFT关键点使用方向直方图(SHOT)特征描述子进行特征描述,并获得特征向量的长度;
D、根据获取的特征向量计算得出SIFT关键点的对应点对,进而通过采样一致性算法完成两帧点云的初始位姿配准图像;
E、将获得的初始位姿配准图像采用迭代最近邻(ICP)算法进行精确位姿变换配准,从而完成待配准的两个固态激光雷达的外参标定。
进一步,所述步骤B具体步骤为:
a、将每帧点云均进行连续多次体素下采样,从而构成由下至上、信息量由多至少的多层金字塔模型,每次下采样构成金字塔的新一层;
b、为了满足尺度的连续性,将金字塔的每一层使用不同的高斯核函数滤波构成尺度空间,同一层获得多张高斯滤波后的图像,每一层的多张图像称为一组Octave,其中同一组Octave内的多层就是同一层高斯金字塔经过不同高斯核函数滤波获得的多个样本,Octave组内的层数根据需要调整确定:
采样过程的滤波计算公式如下:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
其中L为尺度空间函数,G为高斯核函数,I为输入图像,*为卷积操作,x和y分别为图像像素的坐标,σ代表高斯核的方差;
从而完成构建两帧点云各自的高斯尺度空间;
c、采用高斯拉普拉斯算子(LOG)对步骤b完成构建的高斯尺度空间进行特征点检测,通过获得的高斯金字塔每组中相邻上下两层图像相减先构建高斯差分尺度空间(DOG)来近似表示高斯拉普拉斯算子,具体计算公式为:
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I(x,y)=L(x,y,kσ)-L(x,y,σ) (3)
其中D为高斯差分尺度空间函数,k为方差系数,参数的取值根据算法精度和时间要求取舍;从而完成构建两帧点云各自的高斯差分尺度空间(DOG);
d、对步骤c构建的高斯差分尺度空间进行尺度空间SIFT关键点检测,SIFT关键点是由高斯差分尺度空间的各个极值点组成,在寻找尺度空间的极值点时,使每个像素点均和其同一尺度空间及相邻尺度空间的所有相邻点进行比较,选择其中的最大值确定为极值点,从而得出两帧点云各自的高斯差分尺度空间内的极值点集,该极值点集即为SIFT关键点。
进一步,所述步骤C具体为:
①建立关键点周围局部支撑区域的局部坐标系:通过KD-Tree获取SIFT关键点周围局部支撑区域内的点,构建协方差矩阵;通过特征值分解或奇异值分解的方式获得SIFT关键点周围领域点的特征值和特征向量;按照特征值递减的顺序把三个对应的特征向量作为X,Y,Z轴,最后通过符号一致性消除歧义,从而完成局部坐标系的建立;其中获取周围局部支撑区域内的点时,为了提升SHOT特征描述子对于噪点和杂乱场景的鲁棒性,给距离质心不同距离的点赋予不同的权重,并使用SIFT关键点坐标代替质心坐标计算,具体公式为:
其中M为计算的权重结果,R为邻域半径,i为领域内任一点的序号,di为某一点到质心的距离,Pi为某一点的坐标,P为质心坐标;
②计算特征向量长度:构建好局部坐标系后,将关键点所在球形支撑区域划分为32个小区域,经度方向划分8次,纬度方向划分2次,径向划分2次;每一个小区域内计算每一个点和局部坐标系的Z轴夹角,采用夹角余弦值代替角度;然后进行直方图统计,统计时按照余弦值大小划分11个统计区间,因此按照32个小区域计算得到特征向量的长度为32x11=352;
③采用四线性插值投票消除边缘效应:由于SHOT特征描述子基于局部特征直方图,因此会存在边缘效应,利用插值法实际计算每个统计区间获得票数并不是直接将计算得余弦值归入某一统计区间,而是计算两个相邻统计区间的距离归一化权重,按照权重分配两个统计区间获得票数。
进一步,所述步骤D中点云的初始位姿配准图像的具体步骤为:
Ⅰ、随机选取几个对应点对计算变换矩阵;
Ⅱ、使用计算出的变换矩阵带入所有的点对,计算误差,将误差大于设定范围的点对进行剔除;
Ⅲ、迭代步骤Ⅰ和Ⅱ,直到误差和小于给定的阈值或者达到设定的最大迭代次数获得最终的变换矩阵;接着采用该变换矩阵形成两帧点云的初始位姿配准图像。
进一步,所述固态激光雷达为Livox-Avia激光雷达。
与现有技术相比,本发明采用SIFT算法和SHOT特征描述子相结合的方式,先选择两个固态激光器各一帧点云,分别设为源点云和目标点云,然后对两帧点云采用体素下采样进行预处理,体素下采样可以大规模减少点云数据量,大规模减少点云关键点提取数据,从而减少特征描述和后续的过程的时间消耗;将完成预处理的两帧点云,使用SIFT算法提取SIFT关键点,将两帧点云的SIFT关键点使用方向直方图特征描述子进行特征描述,并获得特征向量的长度;然后根据特征向量计算对应点对;然后通过采样一致性算法完成两帧点云的初始位姿配准;最后将获得的初始位姿配准图像采用迭代最近邻算法进行精确位姿变换配准,从而获得更好的外参标定效果。本发明无需对各个激光雷达的初始位姿进行直接测量,可在固态激光雷达初始位姿未知的情况下,就能精确的实现固态激光雷达的外参标定。
附图说明
图1是本发明的整体流程图;
图2是本发明中高斯尺度空间及高斯差分过程示意图;
图3是本发明中SIFT关键点处的SHOT空间划分示意图;
图4是采用bunny兔点云数据验证算法进行本发明效果验证;
其中,图(a)为未配准的两帧原始点云的效果,图(b)为对其中一帧点云提取SIFT关键点效果,图(c)为初始配准效果,图(d)为经过ICP精配准效果;
图5是采集真实点云进行本发明效果验证;
其中,图(a)为实验环境图像,图(b)为原始场景的点云,图(c)为SIFT关键点提取效果,图(d)为初始配准效果,图(e)为经过ICP精配准效果,图(f)为细节处效果。
具体实施方式
下面将对本发明作进一步说明。
如图1所示,本发明的具体步骤为:
A、获取点云数据:将多个固态激光雷达采用非重复扫描的方式获得多个点云数据,所述固态激光雷达为Livox-Avia激光雷达;
B、对点云数据进行预处理并提取SIFT关键点:将步骤A中获得的点云数据,选择待配准的两个固态激光雷达的各一帧点云(设一帧为源点云,另一帧为目标点云),将两帧点云采用体素下采样的方式进行点云预处理;将预处理后的两帧点云采用SIFT(尺度不变特征变换)算法分别提取两帧点云的SIFT关键点,具体步骤为:
a、将每帧点云均进行连续多次体素下采样,从而构成由下至上、信息量由多至少的多层金字塔模型,每次下采样构成金字塔的新一层;
b、为了满足尺度的连续性,将金字塔的每一层使用不同的高斯核函数滤波构成尺度空间,同一层获得多张高斯滤波后的图像,每一层的多张图像称为一组Octave,其中同一组Octave内的多层就是同一层高斯金字塔经过不同高斯核函数滤波获得的多个样本,Octave组内的层数根据需要调整确定:如图2所示;
采样过程的滤波计算公式如下:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
其中L为尺度空间函数,G为高斯核函数,I为输入图像,*为卷积操作,x和y分别为图像像素的坐标,σ代表高斯核的方差;
从而完成构建两帧点云各自的高斯尺度空间;
c、采用高斯拉普拉斯算子(LOG)对步骤b完成构建的高斯尺度空间进行特征点检测,通过获得的高斯金字塔每组中相邻上下两层图像相减先构建高斯差分尺度空间(DOG)来近似表示高斯拉普拉斯算子,具体计算公式为:
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I(x,y)=L(x,y,kσ)-L(x,y,σ) (3)
其中D为高斯差分尺度空间函数,k为方差系数,参数的取值根据算法精度和时间要求取舍;从而完成构建两帧点云各自的高斯差分尺度空间(DOG);
d、对步骤c构建的高斯差分尺度空间进行尺度空间SIFT关键点检测,SIFT关键点是由高斯差分尺度空间的各个极值点组成,在寻找尺度空间的极值点时,使每个像素点均和其同一尺度空间及相邻尺度空间的所有相邻点进行比较,选择其中的最大值确定为极值点,从而得出两帧点云各自的高斯差分尺度空间内的极值点集,该极值点集即为SIFT关键点。
C、将两帧点云的SIFT关键点使用方向直方图(SHOT)特征描述子进行特征描述,并获得特征向量的长度,具体为:
①建立关键点周围局部支撑区域的局部坐标系:通过KD-Tree获取SIFT关键点周围局部支撑区域内的点,构建协方差矩阵;通过特征值分解或奇异值分解的方式获得SIFT关键点周围领域点的特征值和特征向量;按照特征值递减的顺序把三个对应的特征向量作为X,Y,Z轴,最后通过符号一致性消除歧义,从而完成局部坐标系的建立;其中获取周围局部支撑区域内的点时,为了提升SHOT特征描述子对于噪点和杂乱场景的鲁棒性,给距离质心不同距离的点赋予不同的权重,并使用SIFT关键点坐标代替质心坐标计算,具体公式为:
其中M为计算的权重结果,R为邻域半径,i为领域内任一点的序号,di为某一点到质心的距离,Pi为某一点的坐标,P为质心坐标;
②计算特征向量长度:如图3所示,构建好局部坐标系后,将关键点所在球形支撑区域划分为32个小区域,经度方向划分8次,纬度方向划分2次,径向划分2次;每一个小区域内计算每一个点和局部坐标系的Z轴夹角,采用夹角余弦值代替角度;然后进行直方图统计,统计时按照余弦值大小划分11个统计区间,因此按照32个小区域计算得到特征向量的长度为32x11=352;
③采用四线性插值投票消除边缘效应:由于SHOT特征描述子基于局部特征直方图,因此会存在边缘效应,利用插值法实际计算每个统计区间获得票数并不是直接将计算得余弦值归入某一统计区间,而是计算两个相邻统计区间的距离归一化权重,按照权重分配两个统计区间获得票数。
D、根据获取的特征向量计算得出SIFT关键点的对应点对,进而通过采样一致性算法完成两帧点云的初始位姿配准图像,其中点云的初始位姿配准图像的具体步骤为:
Ⅰ、随机选取几个对应点对计算变换矩阵;
Ⅱ、使用计算出的变换矩阵带入所有的点对,计算误差,将误差大于设定范围的点对进行剔除;
Ⅲ、迭代步骤Ⅰ和Ⅱ,直到误差和小于给定的阈值或者达到设定的最大迭代次数获得最终的变换矩阵;接着采用该变换矩阵形成两帧点云的初始位姿配准图像。
E、将获得的初始位姿配准图像采用迭代最近邻(ICP)算法进行精确位姿变换配准,从而完成待配准的两个固态激光雷达的外参标定。
实验验证:
试验1:为了验证本发明所提算法的效果,首先使用经典的斯坦福大学的bunny兔点云数据验证算法的可行性。实验平台为Inter Core i5-9300CPU@2.4GHZ,8GB内存ubuntu操作系统,开源点云库PCL1.7。从图4实验图可以看出,原始的两帧点云很稠密,经过SIFT关键点提取后保留了少部分关键点(图4b中的深色点),提取点的数目足够用于后续配准。计算对应点对后通过采样一致性算法获得了初始位姿(效果如图4c),此使获得了较好的对应关系,但是仍然存在一些误差。经过ICP算法精确配准后两帧点云几乎完全重合,配准误差小于1.10e-05,证明了本发明方法的有效性和准确性。
试验2:以下使用待配准的两个livox激光雷达采集的真实点云,进一步验证所提算法的有效性。由图5所示,从图5a可以看出选取的场景为房间内一处区域,不需要进行特别制作标定板等,带来了效率上的提升。实验过程中发现为了获得更多的SIFT关键点,尽量选取视野范围内存在较多物品的区域。图5b为两个固态激光器(LiDAR)采集所得的原始场景,深色和浅色分别代表了各自的点云数据,两者存在较大的差距。使用SIFT算法提取了大量的SIFT关键点(图5c中深色点),通过调整算法参数在一定范围内提升SIFT关键点可以提升算法的精度。提取出来的关键点计算对应点对后通过采样一致性算法获取初始的位姿就可以获得较好的配准效果(如图5d);从图中不难看出笔记本区域的深色点云和浅色点云基本重合,但是仍有一定误差。经过ICP算法获得了较好额配准效果(如图5e),并且误差很小(具体数据见表1)。为了更准确看出配准效果可以观察图5f的直角处细节图。
表1为仿真和真实实验过程中的关键数据,统计了点云的数量变换和配准误差。为了保证数据的精确度SIFT关键点的数目bunny图实验达到了6000,真实场景达到了10000以上,可通过参数调整增加或者减少点数,但是点数增加也会增大时间消耗,因此需要合理取舍。实验过程中发现对应点对的数目过少也会导致算法精度下降,因此实验中调整参数达到了1500,保证了精度需要。两个实验的误差均在可接受范围内,配准结果图也显示效果较好。
表1算法各阶段处理的点数统计
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于SIFT-SHOT特征的多固态激光雷达外参标定方法,其特征在于,具体步骤为:
A、获取点云数据:将多个固态激光雷达采用非重复扫描的方式获得多个点云数据;
B、对点云数据进行预处理并提取SIFT关键点:将步骤A中获得的点云数据,选择待配准的两个固态激光雷达的各一帧点云,将两帧点云采用体素下采样的方式进行点云预处理;将预处理后的两帧点云采用SIFT算法分别提取两帧点云的SIFT关键点;
C、将两帧点云的SIFT关键点使用方向直方图特征描述子进行特征描述,并获得特征向量的长度;
D、根据获取的特征向量计算得出SIFT关键点的对应点对,进而通过采样一致性算法完成两帧点云的初始位姿配准图像;
E、将获得的初始位姿配准图像采用迭代最近邻算法进行精确位姿变换配准,从而完成待配准的两个固态激光雷达的外参标定。
2.根据权利要求1所述的基于SIFT-SHOT特征的多固态激光雷达外参标定方法,其特征在于,所述步骤B具体步骤为:
a、将每帧点云均进行连续多次体素下采样,从而构成由下至上、信息量由多至少的多层金字塔模型,每次下采样构成金字塔的新一层;
b、为了满足尺度的连续性,将金字塔的每一层使用不同的高斯核函数滤波构成尺度空间,同一层获得多张高斯滤波后的图像,每一层的多张图像称为一组Octave,其中同一组Octave内的多层就是同一层高斯金字塔经过不同高斯核函数滤波获得的多个样本,Octave组内的层数根据需要调整确定:
采样过程的滤波计算公式如下:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
其中L为尺度空间函数,G为高斯核函数,I为输入图像,*为卷积操作,x和y分别为图像像素的坐标,σ代表高斯核的方差;
从而完成构建两帧点云各自的高斯尺度空间;
c、采用高斯拉普拉斯算子对步骤b完成构建的高斯尺度空间进行特征点检测,通过获得的高斯金字塔每组中相邻上下两层图像相减先构建高斯差分尺度空间来近似表示高斯拉普拉斯算子,具体计算公式为:
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I(x,y)=L(x,y,kσ)-L(x,y,σ) (3)
其中D为高斯差分尺度空间函数,k为方差系数,参数的取值根据算法精度和时间要求取舍;从而完成构建两帧点云各自的高斯差分尺度空间;
d、对步骤c构建的高斯差分尺度空间进行尺度空间SIFT关键点检测,SIFT关键点是由高斯差分尺度空间的各个极值点组成,在寻找尺度空间的极值点时,使每个像素点均和其同一尺度空间及相邻尺度空间的所有相邻点进行比较,选择其中的最大值确定为极值点,从而得出两帧点云各自的高斯差分尺度空间内的极值点集,该极值点集即为SIFT关键点。
3.根据权利要求1所述的基于SIFT-SHOT特征的多固态激光雷达外参标定方法,其特征在于,所述步骤C具体为:
①建立关键点周围局部支撑区域的局部坐标系:通过KD-Tree获取SIFT关键点周围局部支撑区域内的点,构建协方差矩阵;通过特征值分解或奇异值分解的方式获得SIFT关键点周围领域点的特征值和特征向量;按照特征值递减的顺序把三个对应的特征向量作为X,Y,Z轴,最后通过符号一致性消除歧义,从而完成局部坐标系的建立;其中获取周围局部支撑区域内的点时,为了提升SHOT特征描述子对于噪点和杂乱场景的鲁棒性,给距离质心不同距离的点赋予不同的权重,并使用SIFT关键点坐标代替质心坐标计算,具体公式为:
其中M为计算的权重结果,R为邻域半径,i为领域内任一点的序号,di为某一点到质心的距离,Pi为某一点的坐标,P为质心坐标;
②计算特征向量长度:构建好局部坐标系后,将关键点所在球形支撑区域划分为32个小区域,经度方向划分8次,纬度方向划分2次,径向划分2次;每一个小区域内计算每一个点和局部坐标系的Z轴夹角,采用夹角余弦值代替角度;然后进行直方图统计,统计时按照余弦值大小划分11个统计区间,因此按照32个小区域计算得到特征向量的长度为32x11=352;
③采用四线性插值投票消除边缘效应:由于SHOT特征描述子基于局部特征直方图,因此会存在边缘效应,利用插值法实际计算每个统计区间获得票数并不是直接将计算得余弦值归入某一统计区间,而是计算两个相邻统计区间的距离归一化权重,按照权重分配两个统计区间获得票数。
4.根据权利要求1所述的基于SIFT-SHOT特征的多固态激光雷达外参标定方法,其特征在于,所述步骤D中点云的初始位姿配准图像的具体步骤为:
Ⅰ、随机选取几个对应点对计算变换矩阵;
Ⅱ、使用计算出的变换矩阵带入所有的点对,计算误差,将误差大于设定范围的点对进行剔除;
Ⅲ、迭代步骤Ⅰ和Ⅱ,直到误差和小于给定的阈值或者达到设定的最大迭代次数获得最终的变换矩阵;接着采用该变换矩阵形成两帧点云的初始位姿配准图像。
5.根据权利要求1所述的基于SIFT-SHOT特征的多固态激光雷达外参标定方法,其特征在于,所述固态激光雷达为Livox-Avia激光雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836020.2A CN113470090A (zh) | 2021-07-23 | 2021-07-23 | 基于sift-shot特征的多固态激光雷达外参标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836020.2A CN113470090A (zh) | 2021-07-23 | 2021-07-23 | 基于sift-shot特征的多固态激光雷达外参标定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113470090A true CN113470090A (zh) | 2021-10-01 |
Family
ID=77882069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110836020.2A Pending CN113470090A (zh) | 2021-07-23 | 2021-07-23 | 基于sift-shot特征的多固态激光雷达外参标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470090A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049385A (zh) * | 2021-10-15 | 2022-02-15 | 哈尔滨工业大学(威海) | 基于自适应配准的多激光雷达自主建网系统、方法、终端 |
CN114152937A (zh) * | 2022-02-09 | 2022-03-08 | 西南科技大学 | 一种旋转激光雷达的外参标定方法 |
CN114663509A (zh) * | 2022-03-23 | 2022-06-24 | 北京科技大学 | 一种关键点热力图引导的自监督单目视觉里程计方法 |
CN114781056A (zh) * | 2022-04-13 | 2022-07-22 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
CN114862924A (zh) * | 2022-04-12 | 2022-08-05 | 华南理工大学 | 基于改进pca算法和dcp网络的手术导航空间配准方法 |
CN115390051A (zh) * | 2022-10-27 | 2022-11-25 | 深圳煜炜光学科技有限公司 | 激光雷达标定方法、装置、设备及存储介质 |
CN115542340A (zh) * | 2022-12-01 | 2022-12-30 | 广东工业大学 | 基于距离已知参照物的路侧双固态激光雷达点云融合方法 |
CN116363178A (zh) * | 2023-02-27 | 2023-06-30 | 西安电子科技大学 | 针对点云特征的多任务优化方法 |
-
2021
- 2021-07-23 CN CN202110836020.2A patent/CN113470090A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049385A (zh) * | 2021-10-15 | 2022-02-15 | 哈尔滨工业大学(威海) | 基于自适应配准的多激光雷达自主建网系统、方法、终端 |
CN114152937A (zh) * | 2022-02-09 | 2022-03-08 | 西南科技大学 | 一种旋转激光雷达的外参标定方法 |
CN114663509A (zh) * | 2022-03-23 | 2022-06-24 | 北京科技大学 | 一种关键点热力图引导的自监督单目视觉里程计方法 |
CN114862924A (zh) * | 2022-04-12 | 2022-08-05 | 华南理工大学 | 基于改进pca算法和dcp网络的手术导航空间配准方法 |
CN114862924B (zh) * | 2022-04-12 | 2024-03-08 | 华南理工大学 | 基于改进pca算法和dcp网络的手术导航空间配准方法 |
CN114781056A (zh) * | 2022-04-13 | 2022-07-22 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
CN114781056B (zh) * | 2022-04-13 | 2023-02-03 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
CN115390051A (zh) * | 2022-10-27 | 2022-11-25 | 深圳煜炜光学科技有限公司 | 激光雷达标定方法、装置、设备及存储介质 |
CN115542340A (zh) * | 2022-12-01 | 2022-12-30 | 广东工业大学 | 基于距离已知参照物的路侧双固态激光雷达点云融合方法 |
CN116363178A (zh) * | 2023-02-27 | 2023-06-30 | 西安电子科技大学 | 针对点云特征的多任务优化方法 |
CN116363178B (zh) * | 2023-02-27 | 2024-01-30 | 西安电子科技大学 | 针对点云特征的多任务优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN106651942B (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN107063228B (zh) | 基于双目视觉的目标姿态解算方法 | |
CN109598765B (zh) | 基于球形标定物的单目相机与毫米波雷达外参联合标定方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
CN110334701B (zh) | 数字孪生环境下基于深度学习和多目视觉的数据采集方法 | |
CN111640158B (zh) | 基于对应掩模的端到端的摄像头与激光雷达外参标定方法 | |
CN115761550A (zh) | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 | |
CN113642463B (zh) | 一种视频监控和遥感图像的天地多视图对齐方法 | |
CN112489099A (zh) | 点云配准方法、装置、存储介质及电子设备 | |
CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
CN115032648A (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
CN113221648A (zh) | 一种基于移动测量系统的融合点云序列影像路牌检测方法 | |
CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
CN116379915A (zh) | 一种建筑物测绘方法、装置、系统以及存储介质 | |
CN111798453A (zh) | 用于无人驾驶辅助定位的点云配准方法及其系统 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN110288620B (zh) | 基于线段几何特征的图像匹配方法及飞行器导航方法 | |
CN113436313B (zh) | 一种基于无人机的三维重建误差主动修正方法 | |
CN109086350B (zh) | 一种基于WiFi的混合图像检索方法 | |
CN112365592B (zh) | 一种基于双向高程模型的局部环境特征描述方法 | |
CN110927765B (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
CN109785388B (zh) | 一种基于双目摄像头的短距离精确相对定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |