WO2021062776A1 - 一种参数标定方法、装置及设备 - Google Patents

Abstract

一种参数标定的方法、装置及设备，其中，该方法包括：对至少两个测距装置获取的初始点云进行重采样处理，得到重采样点云（S102），基于重采样点云计算得到至少两个测距装置之间的标定参数（S104）。参数标定方法不受制于点云的特定形式，具有较强的通用性，能够解决初始点云进行匹配时，难以获得良好点云对应关系的难题，而且计算得到的标定参数精度更高。

Description

一种参数标定方法、装置及设备

版权申明

本专利文件披露的内容包含受版权保护的材料。该版权为版权所有人所有。版权所有人不反对任何人复制专利与商标局的官方记录和档案中所存在的该专利文件或者该专利披露。

技术领域

本申请涉及通信技术领域，尤其涉及一种参数标定方法、装置及设备。

背景技术

目前，很多测距装置都是采用电磁波来对目标物体的距离进行测量。以激光雷达为例，激光雷达发射激光束，激光束遇到目标物体被反射回来，通过激光雷达发射激光束以及接收到反射回来的激光束的时间，即可计算目标物体的距离。通常激光雷达将扫描到的空间中的各物体的信息以点云的形式表示，点云数据中包含了每个点的经纬度坐标、强度、多次回波、颜色等信息，通过点云数据，可以实现对空间中的各个物体进行三维重建，在测绘、无人驾驶、无人飞行等领域都有广泛的应用。

通常在使用点云数据进行三维重建时，都会使用多个激光雷达联合使用，结合多个激光雷达扫描得到的点云数据来重现空间中的各物体。由于不同的激光雷达得到的点云数据都是以自身的坐标系为基准的数据，因而在结合多个激光雷达扫描到的点云数据来还原三维空间中的各物体时，需要先对激光雷达之间的参数进行标定，求出一个激光雷达的坐标系相对于另一个激光雷达的坐标系的变换矩阵，求这个变换矩阵的过程即为参数标定的过程。

由于目前的参数标定方法仅适用于均匀扫描的激光雷达，其对于非均匀扫描的激光雷达则不适用，因此，有必要针对非均匀扫描的激光雷达设计一种参数标定方法。

发明内容

有鉴于此，本申请提供一种参数标定方法、装置及设备，可实现对非 均匀扫描的激光雷达进行参数标定。

根据本发明实施例的第一方面，提供一种参数标定方法，所述方法包括：

对至少两个测距装置获取的初始点云进行重采样处理，得到重采样点云；

基于所述重采样点云计算得到所述至少两个测距装置之间的标定参数。

根据本发明实施例的第二方面，提供一种参数标定装置，所述装置包括处理器、存储器，该存储器用于存储计算机程序，所述处理器用于读取存储器存储的计算机程序执行以下步骤：

对至少两个测距装置获取的初始点云进行重采样处理，得到重采样点云；

基于所述重采样点云计算得到所述至少两个测距装置之间的标定参数。

根据本发明实施例的第三方面，提供一种设备，所述设备包括两个或者多个测距装置、处理器、存储器，该存储器用于存储计算机程序，所述测距装置用于探测目标场景生成初始点云；所述处理器用于读取存储器存储的计算机程序执行第一方面提供的方法。

根据本发明实施例的第四方面，提供一种计算机可读存储介质，用于存储程序指令，所述程序指令被计算机运行时，所述计算机执行第一方面提供的方法。

根据本发明实施例的第五方面，提供一种包含指令的计算机程序产品，所述指令被计算机执行时使得计算机执行第一方面提供的方法。

应用本申请实施例提供的方案，对于扫描得到的初始点云为非均匀点云的至少两个测距装置，在计算其标定参数时，可以先通过对初始点云进行重采样处理，得到均匀的重采样点云，然后再基于重采样点云计算测距装置之间的标定参数。本申请实施例提供的参数标定方法不受制于点云的特定形式，具有较强的通用性，能够解决非均匀点云进行匹配时，难以获得良好点云对应关系的难题，而且计算得到的标定参数精度更高，为激光 雷达测绘，无人驾驶等需要用到激光雷达的应用领域，提供了很好的参数标定策略。

附图说明

下面将对实施例描述中所需要使用的附图作简单地介绍。

图1是本申请一示例性实施例的一种参数标定方法流程图。

图2是本申请一示例性实施例的一种初始点云示意图。

图3是本申请一示例性实施例的一种重采样后的重采样点云示意图。

图4是本申请一示例性实施例的一种基于重采样点云计算标定参数的方法。

图5是本申请一示例性实施例的一种重采样点云投影到二维平面形成二维点阵的示意图。

图6是本申请一示例性实施例的一种参考面的示意图。

图7本申请一示例性实施例的从不同方向提取特征点的示意图。

图8是本申请一示例性实施例的一种计算点云中各点的曲率的示意图。

图9是本申请一示例性实施例的一种参数标定装置的结构示意图。

图10是本申请一示例性实施例的一种设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

在无人驾驶、测绘、无人飞行等领域都需要使用测距装置对三维空间中各物体的深度信息进行测量，以对三维空间进行还原。目前，很多测距装置都是利用电磁波对目标物体进行探测，比如激光雷达、毫米波雷达等。测距装置对三维空间进行扫描得到的数据可以是点云数据，点云数据是在同一空间参考系下表示目标空间分布和目标表面特性的海量点集合，点云数据中包含了每个点的经纬度坐标、强度、多次回波、颜色等的信息。在对三维空间进行重建时，通常使用多个测距装置联合使用，得到不同角度 扫描到的点云数据。由于不同的测距装置获取的点云数据的是以不同的坐标系为基准的，因而需要对不同的测距装置进行参数标定，求出两个测距装置的坐标系之间的变换矩阵。

要计算不同测距装置之间的标定参数，即计算以下6个变量，X，Y，Z，Roll，Pitch，Yaw。其中，前3个值代表分别沿x，y，z方向平移的距离；后3个值代表分别沿x，y，z方向旋转的角度。即一个测距装置的坐标系分别沿x，y，z方向平移一定距，再分别沿x，y，z方向旋转的一定角度就可以变换成另一个测距装置的坐标系。

由于目前所用到的测距装置，大多是在扫描视场有均匀的扫描密度，扫描得到的点云数据比较均匀，因而可以直接根据点云数据以及迭代最近点(Iterative Closest Point，ICP)算法、正态分布变换(Normal distribution Transformation，NDT)算法等点云匹配算法来计算标定参数。但是，对于某些测距装置，其扫描方式为非均匀扫描，扫描得到的点云数据是非均匀的，如果还是根据初始点云数据和目前的点云匹配算法去计算标定参数，计算得到的标定参数误差会很大。

为了解决上述问题，本申请实施例提供了一种参数标定方法，对于扫描得到的点云为非均匀点云的一个或多个测距装置，也可以准确计算其标定参数。如图1所示，所述参数标定方法包括以下步骤：

S102、对至少两个测距装置获取的初始点云进行重采样处理，得到重采样点云，所述测距装置在扫描视场中具有非均匀的扫描密度，所述重采样点云的分布均匀性高于所述初始点云的分布均匀性；

S104、基于所述重采样点云确定所述至少两个测距装置之间的标定参数。

其中，本申请实施例的测距装置可以是激光雷达、毫米波雷达等装置，该测距装置可以扫描外部环境信息，比如，外部环境中的目标物体的距离信息、方位信息、反射强度信息、速度信息等。一种实现方式中，测距装置可以通过测量测距装置和探测物之间光传播的时间，即光飞行时间 (Time-of-Flight，TOF)，来探测探测物到测距装置的距离。或者，测距装置也可以通过其他技术来探测探测物到测距装置的距离，例如基于相位移动(phase shift)测量的测距方法，或者基于频率移动(frequency shift)测量的测距方法，在此不做限制。

本申请实施例中的测距装置在扫描外部空间环境后可以获得点云数据，该点云数据为目标空间分布和目标表面特性的海量点集合，点云数据可以包括每个点的空间三维坐标信息以及强度、多次回波、颜色等其他信息。该测距装置获取的点云在空间的分布是非均匀，在有些空间区域的点云密度较高，在有些空间区域的点云密度较低。如图2所示，为测距装置采集的非均匀分布的初始点云，从图中可以看出不同区域的点云图像密度不一致，有的区域稠密、有的区域稀疏。

在某些实施例中，该测距装置可以采用非均匀扫描方式，例如可以是在扫描视场具有非均匀扫描密度的测距装置。测距装置采用非均匀扫描方式获取的点云在空间的分布是非均匀的。为方便描述，本申请实施例中将测距装置采用非均匀扫描方式获得的点云称为初始点云。以激光雷达为例，激光雷达在扫描时，激光的发射角度不断变化，但是这些激光的发射角度在激光雷达的扫描视场内分布并不一定均匀，差异能有几倍到几百倍，甚至更多，扫描角度不均匀导致不同区域点云图像密度也不均匀，因而在扫描视场中具有非均匀的扫描密度，也即具有非规则的采样模式，因此导致获取的点云的均匀性差。通常中心区域的扫描密度高于其他区域，中心区域的点云图像密度也高于其他区域。

目前在对测距装置之间的参数进行标定时，通常采用点云匹配算法，如ICP算法、NDT算法。但是这些算法对点云的均匀性要求比较高，而测距装置采用非均匀扫描方式获取的初始点云为非均匀点云，其均匀度较差。如果均匀性太差，在进行不同测距装置的点云匹配时，无法准确查找点云中各点的对应关系，因而无法准确计算标定参数。因此，本申请实施例中，在获取至少两个测距装置扫描得到的初始点云后，可以先对初始点云进行 重采样处理，得到重采样点云。然后再基于重采样得到的重采样点云去计算测距装置之间的标定参数。其中，重采样处理得到的重采样点云的分布均匀性高于所述初始点云的分布均匀性。

本申请实施例的参数标定方法可以用于两个或多个测距装置之间的参数标定。其中，多个可以包括3个、4个、5个或更大的数值，本申请实施例对此不作限定。对于多个测距装置，可以采用本申请实施例提供的参数标定方法得到任意两个测距装置之间的标定参数。或者，采用本申请实施例提供的参数标定方法得到任意多个测距装置之间的标定参数。或者，采用本申请实施例提供的参数标定方法可以先得到两两测距装置之间的标定参数，进而可以得到与第三个测距装置之间标定参数。比如有A、B、C三个测距装置，在求得A和B，A和C之间的标定参数后，自然可以得到B和C之间的标定参数。本说明书实施中，每个测距装置获取的初始点云至少为一组，当然也可以是多组，在此不作限制。针对每组初始点云重采样后可以得到一组或多组重采样点云。

重采样后得到的重采样点云比初始点云具有更好的均匀性，如图3所示，为图2所示的初始点云重采样后得到的重采样点云。重采样后的重采样点云比初始点云更适合后续处理，例如物体识别、图像融合等后续处理，拥有更好的显示效果以及隐藏特定的硬件采样模式等优点，因而更适合用于计算标定参数。由于表征点云质量的参数，除了分布均匀性，还包括密度、噪声等参数。对于分布均匀性越好、密度越高、噪声越低的点云，在计算标定参数时，越利于点云中各点的匹配，从而可以得到更加精准的标定参数。因此，在某些实施例中，重采样的重采样点云相比于初始点云，除了拥有更好的均匀性，也可以具有更高的点云密度或者具有更低的噪声，或者是同时具有更高的点云密度和更低的噪声，具体可以根据实际需求去选取重采样模式，以得到具有目标特性的重采样点云。

在某些实施例中，对测距装置获取的初始点云进行重采样处理，可以按照以下的步骤进行：

1、可以将获取的非均匀的初始点云进行透视投影到一个平面上，该平面与测试装置的轴线垂直；

2、将投影得到的二维平面进行网格化以形成一张图像，像素值为落入该像素的点云点的深度信息、反射率信息等特征信息；

3、对于落入点数为0的空像素，则判断其是否对应天空；若为天空，则像素值设为0；若不是天空，则对其插值，可采用最近邻插值或线性插值等常用插值方法，这样便可以获得一副采样均匀的图像，基于这个采样均匀的图像，可根据实际需求进行任意模式的点云重采样，以得到各种特性的重采样后的点云，比如，得到均匀性更好的点云、密度更高或更低的点云、噪声更低的点云等等。以下列举几个不同的重采样模式：

(1)角度均匀重采样：对测距装置的扫描方向

分别进行均匀采样，然后对每一个采样计算该采样射线跟上述图像平面的交点，通过插值的方式获得该交点的取值，由此可以得到该采样方向的深度值，进而确定一个点云采样点。特别地，可以采用最近邻插值，将该交点所在像素的取值作为该采样方向的深度值。

(2)平面均匀重采样：遍历图像中的每一个点，若该点深度值非零，则产生一个重采样点，为位于原点和图像像素中心连线上，深度值为像素值所代表深度的点；如此，可获得一个平面均匀重采样点云。更一般地，可以采用(1)的方式先生成待采样的平面均匀点，然后通过计算交点、插值的方式来生成重采样点。

(3)特定模式重采样：类似于(1)的处理方式，首先根据目标模式需求，生成一个采样方向集，对其中的一个采样方向计算其与图像平面的交点，进而计算其深度值等，获得点云点。这些模式包括但不限于均匀圆周采样、螺旋采样等。

(4)增加点云密度重采样：在原始点云采样方向集中添加新的采样以增加采样密度。对于新的采样方向，可以依(1)所述方式来进行深度值等的计算。典型地，可以将(1)～(4)的采样密度加大，并可添加到原始 点云中，以形成新的高密度点云。

(5)降噪重采样，包含以下两个关键步骤：

首先，对上述所得平面图像进行滤噪处理，该处理应具有保边性，如采用双边滤波器等；

其次，遍历每一个点云点，计算其对应的图像像素，将该点云点的深度调整为相应像素的深度值；或调整为其在图像平面的投影位置的相邻像素的某种插值结果，或采用这些新的值对原始值进行阈值处理，例如，若原始深度值不在新值的一个邻域内，则舍弃该点。

经上述两步处理，可以滤除两类因探测精度不佳所致的噪点，包括原始点云中可能在同一采样方向上有多个点云点(其中深度较大者基本可认为是噪声)以及使平面表面毛糙化的点。

(6)均衡化降采样：为控制非均匀采样在局部区域(如中心区域)的采样密度不致太大，可以对该区域的点进行部分剔除，以使得点云采样密度的分布较为均衡。为实现该目的，可对密度太大的图像区域随机或者均匀舍弃部分像素对应的点云点，或者在该区域内，对落入每个像素的点的个数进行限制，随机或者均匀舍弃部分点，直至该像素内点的个数在阈值之内。

以上只是列举了部分点云重采样的模式，具体地，可以根据实际应用场景中对重采样后点云的特性的需求，去选择对应的重采样模式。

在获得重采样处理后的重采样点云后，即可以采用重采样点云去计算测试装置之间的标定参数。在某些实施中，获得重采样点云后，可以直接采用现有的点云匹配算法，比如ICP算法、NDT算法去计算标定参数。为了进一步提高计算的测距装置之间的标定参数的准确性，在某些实施例中，重采样得到重采样点云至少包括两组，分别对应两个测距装置，在计算标定参数时，可以采用如图4所示的各个步骤计算标定参数：

S402、基于所述至少两组重采样点云以及预设的点云匹配算法计算得到所述至少两个测距装置之间的初始标定参数；

S404、分别从所述至少两组重采样点云中提取出特征点；

S406、基于所述特征点、所述初始标定参数计算得到所述至少两个测距装置之间的标定参数。

可以先基于重采样得到的至少两组重采样点云以及预设的点云匹配算法对重采样的点云进行一个粗略匹配，计算得到两个测距装置之间的初始标定参数，这个初始标定参数的准确性较低，因而，需要对其进一步优化。在某些实施例中，该点云匹配算法包括ICP算法、NDT算法等，当然，本申请不局限于上述算法，任何可以实现通过点云计算得到测试装置之间的标定参数的算法都适用。

在对两组重采样点云进行粗匹配，得到一个初始标定参数后，还可以进一步对重采样点云进行精准匹配。通常在点云匹配时，可以采用特征点进行匹配，因而可以分别从重采样得到的至少两组重采样点云中提取出点云的特征点，并基于提取的特征点以及计算的得到的初始标定参数对重采样点云进行精准匹配，以计算得到两个测距装置之间的更加准确的标定参数。需要指出的是，上述步骤S402、步骤S404之间的顺序不作限制，可以其中任意一个步骤先进行，也可以两个步骤同时进行。

在某些实施例中，点云中的各点是否是特征点，可以根据点云中各点的曲率来确定。比如，可以将曲率满足特定要求的点作为特征点。当然，曲率只是一种判定方式，本申请不排除其他的判定方式。在某些实施例中，特征点可以分为平面特征点和边沿特征点，平面特征点可以是位于扫描到的物体平面上的点，通常其曲率值都比较小，近乎为0，因此，可以设置一个第一预设阈值，将曲线小于第一预设阈值的点作为平面特征点。边沿特征点可以是位于扫描到的物体边沿的特征点，通常其曲率值都比较大，因此，可以设置一个第二预设阈值，将曲线大于第二预设阈值的点作为边沿特征点。

由于点云中的点的数量较多，在对重采样后的重采样点云进行特征点提取时，最好是可以有序的进行，才可以避免遗漏特征点，尽可能完整的 提取出各特征点。因此，在某些实施例中，可以先将点云中所有点进行划分，比如把点云中的点根据其在三维空间的坐标特性划分成不同的线，不同的线上的点可以是坐标具有某一特征的点，比如X坐标相同的点划分为一线，Y坐标相同的点划分为一线，Z坐标相同的点划分为一线。当然也可以将点云投影到二维平面，形成一个二维点阵，根据二维点阵来对点云中的各点进行划分。将点云中的点划分成不同的线后，可以分别从不同的线依次取提取特征点。比如，在某些实施例中，可以将重采样后的至少两组重采样点云依据各点的坐标分别划分成N条线和M条线，N和M为任意整数。其中这N条线中的任意一条线称为“第N线”，M条线中的任意一条线称为“第M线”，其中，将重采样点云依据各点的坐标分别划分成N条线和M条线的划分依据可以根据实际需求来确定。在某些实施例中，可以依据以下方式来划分第N线上的点和第M线上的点。可以假设将重采样点云投影到一个二维参考面上，从而形成一个N×M二维点阵，其中，N表示该二维点阵的行数，M表示该二维点阵的列数，如图5所示，左图为右图的点云投影到平面后形成的二维点阵。当所述均匀投影到该参考面上时，把投影到该N×M二维点阵中第N行的点划分为第N线上的，投影到该N×M二维点阵中第M行的点划分为第M线上的点。在某些实施例中，以测距装置所发射的光脉冲序列的中心轴为X轴，另外两个互相垂直且分别与X轴垂直的方向即为Y轴和Z轴，则可以将点云投影到Y-Z轴构成的二维平面，形成N×M二维点阵，把投影到该N×M二维点阵中第N行的点划分为第N线上的，投影到该N×M二维点阵中第M行的点划分为第M线上的点。如图6所示，所述参考面即为与测试装置轴线垂直的平面。

当然，在某些实施例中，参考面也可以是曲面，比如可以是球面、柱面等。重采样点云投影到参考面后，也可以是得到多条曲线，或者是多个同心环，同心环例如为同心圆环、同心方环、同心三角环、同心多边形环等，还可以是得到一条螺旋线。然后再基于投影后得到的曲线、同心环、螺旋线去提取特征点。

在重采样的时候可以按照特定的采样模式进行采样，因而得到的点云可以是具备一定特性的点云，比如，可以是在特定的维度都是均匀分布的点云。举个例子，在根据N×M二维点阵将点云中的点划分成第N线和第M线后，第N线和第M线的点都可以是均匀分布的点，因而可以分别从第N线和第M线去提取特征点。在某些实施例中，可以从第N线去提取点云的特征点，或者从第M线去提取特征点，或者同时从第N线和第M线提取特征点。当然，具体从哪一类的线中去提取特征点可以根据实际场景去设置，比如针对扫描的空间包括比较多电线杆等纵向目标物体的场景，则其扫描得到的点云的特征点主要都在第N线上，因而可以从第N线提取特征点，而针对扫描的空间包括比较多台阶等横向目标物体的场景，其扫描得到的点云的特征点主要在第M线上，因而，可以从第M线上提取特征点。通过这种方式，可以从一个方向或多个方向提取特征点，可以将特征点尽可能完整的提取出来，以得到更多的特征点用于精准匹配。

在某些实施例中，还可以先从第N线中提取出边沿特征点，然后根据边沿特征点确定第M线，其中，第M线为该边沿特点所在的线，然后再从确定出来的第M线中提取出其他的边沿特征点，比如，将重采样点云投影到二维平面后，可以得到一个N×M的二维点阵，将点云中投影落在第N行的点划分为第N线的点，将点云中投影落在第M列的点划分为第M线的点，容易理解，点云中的某个点必然既是某一N线的点，同时又是某一M线的点，且二维点阵上的某一个点，可能是点云在三维空间中具有不同方向的多个点投影后的点。因而可以先沿着二维点阵的第1行-第N行，逐一去提取出N线上边沿特征点，然后确定这些特征点所在的列，并根据特征点所在列确定这些特征点位于哪些M线，然后再沿着这些M线去提取出出其他边沿特征点。比如，某个点云中的边沿特征点A投影到二维平面后，落在二维点阵第3行第4列，沿着第3行对应的第3线提取出该特征点A为边沿特征点后，可以先确定该特征点A投影后位于二维点阵的第4列，因而可以从第4列对应的第4线中的点中去提取其他边沿特征点。 如图7所示，在N线中提取出边沿特征点后(左图)，可以沿着边沿特征点所在的M线继续提取其他边沿特征点(右图)。通过这种方式，可以从一个方向或多个方向提取特征点，可以将特征点尽可能完整的提取出来，以得到更多的特征点用于精准匹配。

在某些实施例中，从所述至少两组重采样点云的第N线提取特征点时，针对至少两组重采样点云中的任一组重采样点云，均可以按照从左至右或从右至左的顺序依次从所述第N线上的各点中提取出所述特征点。在某些实施例中，从所述至少两组重采样点云的第M线提取特征点时，均可以按照从上至下或从下至上的顺序依次从所述第M线上的各点中依次提取出所述特征点。

在某些实施例中，点云中各点的曲率可以根据与该点位于同一线的邻近点的合向量来确定。其中，在某些实施例中，邻近点可以是与该点同在第N线且位于该点左侧或右侧的一个或多个点，或者是与该点同在第M线且位于该点上面或下面的一个或多个点。比如，针对第N线上的某一个点，要计算其曲率，可以先计算该点左侧的N个邻近点的合向量Vl，然后再计算该点右侧的N个邻近点的合向量V2，然后取V1和V2的合向量的模长，即为该点的曲率。如图8所示，为曲率计算示意图，针对点云的第n线，按照从左到右的顺序依次计算每个点的曲率值ρ。曲率的计算方法如图8所示，对于点X，假设点X与其左侧i个点的合向量为Vl，与其右侧i个点的合向量为Vr，则点X的曲率值定义为Vl和Vr合向量的模长：

ρ＝|Vc|＝|Vl+Vr|

设定曲率阈值下限Tflat，以及曲率阈值上限Tsharp。若点X的曲率值满足ρ<Tflat，则认为点X为平面特征点，如图8中的点X1所示，该点处Vl和Vr的合向量模长为0。

若点X的曲率值满足ρ>Tsharp，则认为点X为边沿特征点，如图8中的点X2所示，该点处Vl和Vr的合向量模长较大。

在从重采样的至少两组重采样点云中提取出特征点，且通过预设的点 云匹配算法得到两个测距装置之间的初始标定参数后，可以根据初始标定参数和特征点确定残差，其中，所述残差可以用于表征两个重采样点云中的特征点的匹配程度，然后再采用预设的优化算法对所述残差进行优化，计算得到标定参数。其中，在对残差优化过程中，当残差最小时，该初始标定参数的取值，即为要计算的标定参数。

对残差的定义可以采用多种方式，只要可以表征两组点云特征点的匹配程度即可，本申请不作限制。比如，在某些实施中，重采样可以得到两组重采样点云，我们分别称之为第一重采样点云和第二重采样点云，可以先确定第一重采样点云的特征点，然后根据初始标定参数确定该特征点在第二重采样点云中的匹配特征点，然后根据第一重采样点云的特征点和这些特征点在第二重采样点云对应的匹配特征点的配程度来定义残差。比如，可以根据匹配特征点找到匹配特征点在第二重采样点云中距离最近的一个或多个目标特征点，然后根据匹配特征点与目标特征点来构建残差。

在某些实施例，残差可以是基于匹配特征点到这些目标特征点构成的直线的距离以及匹配特征点到这些目标特征点构成的平面的距离来确定。

在某些实施例中，如果第一重采样点云的特征点为平面特征点，可以先根据初始标定参数计算得到在第二重采样点云的匹配特征点，然后在第二重采样点云中找到与所述匹配特征点距离最近的三个目标平面特征点，计算该匹配特征点到三个目标平面特征点构成的平面的距离作为残差的一部分。如果第一重采样点云的特征点为边沿特征点，可以先根据初始标定参数计算得到在第二重采样点云的匹配特征点，然后在第二重采样点云中找到与所述匹配特征点距离最近的两个边沿目标特征点，然后计算该匹配特征点到两个目标边沿特征点构成的直线的距离作为残差的另一部分。

举个例子，对于第一重采样点云中的一个平面特征点，记为X1'。通过ICP算法获得的初始标定参数，记为T0，通过T0计算其在第二重采样点云中的匹配特征点，记为X1，即X1＝T0X1'。从第二重采样点云的所有平面特征点中，搜索两个与X1距离最近，并且处于同一条线上的平面特 征点，记为Xj和Xk，以及一个与X1距离最近，且与Xj和Xk不同线的平面特征点Xm。则X1到由Xj，Xk，Xm所构成的平面的距离可以定义为：

对于第一重采样点云中的一个边沿特征点，记为X2'。通过ICP算法获得的初始标定参数，记为T0，通过T0计算其在第二重采样点云中的匹配特征点，记为X2，即X2＝T0X2'。从第二重采样点云的所有边沿特征点中，搜索两个与X2距离最近，且分别位于不同线上的边沿特征点，记为Xj和Xk。则X2到由Xj和Xk所构成的直线的距离可以定义为：

设f和s分别为第一重采样点云中平面特征点的数量和边沿特征点的数量，定义残差r：

使用目标优化算法求解，使残差r取得最小值时的标定参数，就是两个测距装置之间的精确外参Tacc，即：

Tacc＝argmin(r)

在某些实施例中，目标优化算法可以Newton算法、Gauss-Newton算法、Levenberg-Marquardt算法中的一种或多种。

为了进一步解释本申请的参数标定方法，以下再以一个具体的实施例加以解释。

对于两台非均匀扫描激光雷达，其在扫描视场具有非均匀的扫描密度，因而其获取的初始点云为非均匀点云，为了精确计算两台激光雷达的标定参数，可以采用以下方法：

(1)对每台激光雷达获得的初始点云进行平面均匀重采样处理，得到 两组重采样点云。其中，重采样得到的重采样点云的密度高于初始点云，噪声生低于初始点云。

(2)对重采样点云中的各点进行划分，划分时，假设将重采样点云投影到与激光雷达轴线垂直的平面，可以得到一个N×M点阵，定义投影在第N行上的点为“第N线”上的点，投影在第M列点为“第M线”上的点。

(3)通过ICP算法，直接对两台激光雷达的重采样后的重采样点云进行初步匹配，获得两台激光雷达之间的标定参数初值，记为Ticp。

(4)提取点云特征点：

(a)对于点云的第n线，按照从左到右的顺序依次计算每个点的曲率值ρ。曲率的计算方法如图8所示，对于点X，假设点X与其左侧i个点的合向量为Vl，与其右侧i个点的合向量为Vr，则点X的曲率值定义为Vl和Vr合向量的模长：

ρ＝|Vc|＝|V _l+V _r|

(b)设定曲率阈值下限Tflat，以及曲率阈值上限Tsharp。若点X的曲率值满足ρ<Tflat，则认为点X为平面特征点，如图8中的点X1所示，该点处Vl和Vr的合向量模长为0。

(c)若点X的曲率值满足ρ>Tsharp，则认为点X为边沿特征点，如图8中的点X2所示，该点处Vl和Vr的合向量模长较大。

(d)针对边沿特征点，本申请对于第m线，再次按照从上到下的顺序，继续进行边沿特征点的提取。这种处理方式可以使得边沿特征点的提取更加彻底，大大提高特征点匹配的成功率，为点云参数标定添加更多的约束项，从而使得参数标定的结果更加精确。

(5)特征点匹配：

(a)平面特征点匹配：对于第一台激光雷达点云中的一个平面特征点，记为X′ ₁。通过ICP获得的外参初值，将其变换到第二台雷达坐标系下的点记为X ₁，即X ₁＝Ticp·X′ ₁。从第二台激光雷达点云的所有平面特征点中，搜索两个与X1距离最近，并且处于同一条线上的平面特征点，记为Xj和 Xk，以及一个与X1距离最近，且与Xj和Xk不同线的平面特征点Xm。则X1到由Xj，Xk，Xm所构成的平面的距离可以定义为：

(b)边沿特征点匹配：对于第一台激光雷达点云中的一个边沿特征点，记为X′ ₂。通过ICP获得的外参初值，将其变换到第二台雷达坐标系下的点记为X ₂，即X ₂＝Ticp·X′ ₂。从第二台激光雷达点云的所有边沿特征点中，搜索两个与X ₂距离最近，且分别位于不同线上的边沿特征点，记为Xj和Xk。则X ₂到由Xj和Xk所构成的直线的距离可以定义为：

(6)精确外参标定：设f和s分别为第一台激光雷达中平面特征点的数量和边沿特征点的数量，定义残差r：

则通过L-M算法求解，使残差r取得最小值时的外参矩阵，就是两台激光雷达之间的精确外参Tacc，即：

Tacc＝argmin _Ticp(r)

本申请实施例提供的参数标定方法不受制于点云的特定形式，具有较强的通用性，能够解决非均匀的初始点云进行匹配时，难以获得良好点云对应关系的难题。通过ICP粗匹配、特征点精确匹配的方法，不仅能够解决传统点云匹配算法(ICP，NDT等)对点云密度以及点云均匀度要求较高的问题，而且具有更高的外参标定精度，为激光雷达测绘，无人驾驶等需要用到激光雷达的应用领域，提供了很好的外参标定策略。

本申请实施例还提供了一种参数标定装置，所述参数标定装置如图9所示，包括处理器902、存储器904，存储器904用于存储计算机程序，所 述处理器902用于读取存储器904上存储的计算机程序并实现以下步骤：

对至少两个测距装置获取的初始点云进行重采样处理，得到重采样点云，所述测距装置在扫描视场中具有非均匀的扫描密度，所述重采样点云的分布均匀性高于所述初始点云的分布均匀性；

基于所述重采样点云计算得到所述至少两个测距装置之间的标定参数。

在一个实施例中，所述重采样点云包括至少两组，所述至少两组重采样点云分别对应所述至少两个测距装置；所述处理器用于基于所述重采样点云计算得到所述至少两个测距装置之间的标定参数时，具体包括：

基于所述至少两组重采样点云以及预设的点云匹配算法计算得所述至少两个测距装置之间的初始标定参数；

分别从所述至少两组重采样点云中提取出特征点；

基于所述特征点、所述初始标定参数计算得到所述至少两个测距装置之间的标定参数。

在一个实施例中，所述处理器用于分别从所述至少两组重采样点云中提取特征点时，具体包括：

分别从所述至少两组重采样点云中的第N线上提取所述特征点；和/或，分别从所述至少两组重采样点云中的第M线上提取所述特征点。

在一个实施例中，所述处理器用于分别从所述至少两组重采样点云中的第M线上提取所述特征点时，具体包括：

从所述至少两组重采样点云中的第N线上提取出边沿特征点；

基于所述边沿特征点确定第M线，所述第M线为所述边沿特征点所在的线；

从所述第M线上提取其他的边沿特征点。

在一个实施例中，当所述重采样点云投影到参考面上得到N×M二维点阵时，所述第N线上的各点投影到所述N×M二维点阵中的第N行上，所述第M线上的各点投影到所述N×M二维点阵中的第M列上。

在一个实施例中，所述参考面为与所述测距装置轴线垂直的平面。

在一个实施例中，所述处理器用于分别从所述至少两组重采样点云中的第N线上提取所述特征点时，具体包括：

对于所述至少两组重采样点云中的任一组重采样点云：按照从左至右或从右至左的顺序依次从所述第N线上的各点中提取出所述特征点。

在一个实施例中，所述处理器用于分别从所述至少两组重采样点云中的第M线上提取所述特征点时，具体包括：

对于所述至少两组重采样点云中的任一组重采样点云：按照从上至下或从下至上的顺序依次从所述第M线上的各点的中提取出所述特征点。

在一个实施例中，所述特征点基于所述重采样点云中的各点的曲率确定。

在一个实施例中，所述特征点包括平面特征点和边沿特征点，所述平面特征点为曲率小于第一预设阈值的点，所述边沿特征点为曲率大于第二预设阈值的点。

在一个实施例中，所述各点的曲率基于与所述各点在同一线的邻近点的合向量确定。

在一个实施例中，所述邻近点包括：

与所述各点同在第N线的且位于所述各点左侧或右侧的一个或多个点；或者

与所述各点同在第M线的且位于所述各点上面或下面的一个或多个点。

在一个实施例中，所述预设点云匹配算法包括ICP算法或NDT算法中的一种或多种。

在一个实施例中，所述处理器用于基于所述特征点、所述初始标定参数计算得到所述标定参数时，具体包括：

基于所述特征点和所述初始标定参数确定残差，其中，所述残差用于表征两个重采样点云中的特征点的匹配程度；

基于预设的优化算法和所述残差计算所述标定参数。

在一个实施例中，所述处理器用于基于所述特征点和所述初始标定参数确定残差时，具体包括：

基于所述初始标定参数确定第一重采样点云中的特征点在第二重采样点云中的匹配特征点，所述第一重采样点云和所述第二重采样点云为所述至少两组重采样点云中的任意两组；

确定所述第二重采样点云的特征点中与所述匹配特征点距离最近的一个或多个目标特征点；

基于所述匹配特征点以及所述目标特征点确定所述残差。

在一个实施例中，所述残差基于所述匹配特征点与所述目标特征点构成的平面的距离，以及所述匹配特征点与所述目标特征点构成的直线的距离确定。

在一个实施例中，若所述特征点为平面特征点，则所述目标特征点为所述第二重采样点云的特征点中与所述匹配特征点距离最近的三个平面特征点，所述平面为所述三个平面特征点构成的平面。

在一个实施例中，若所述特征点为边沿特征点，则所述目标特征点为所述第二重采样点云的特征点中与所述匹配特征点距离最近的两个边沿特征点，所述直线为所述两个边沿特征点构成的直线。

在一个实施例中，所述优化算法包括Newton算法、Gauss-Newton算法、Levenberg-Marquardt算法中的一种或多种。

在一个实施例中，所述重采样点云的采样密度高于所述初始点云；和/或所述重采样点云的噪声低于所述初始点云。

在一个实施例中，所述测距装置为激光雷达。

所述参数标定装置在进行参数标定时的具体处理细节可以参考上述参数标定方法，在此不再赘述。

本申请实施例还提供了一种设备，如图10所示，所述设备包括两个或者多个测距装置1020、处理器1040以及存储器1060，存储器1060用于存储计算机程序，所述测距装置1020用于探测目标场景生成初始点云，所述 处理器执行所述计算机程序实现本申请实施例任一项所述参数标定方法。

在一个实施例中，所述测距装置1020为激光雷达。

所述设备在进行参数标定时的具体处理细节可以参考上述参数标定方法，在此不再赘述。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性 的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明实施例所提供的方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (45)

1. 一种参数标定方法，其特征在于，包括：

   对至少两个测距装置获取的初始点云进行重采样处理，得到重采样点云，所述测距装置在扫描视场中具有非均匀的扫描密度，所述重采样点云的分布均匀性高于所述初始点云的分布均匀性；

   基于所述重采样点云确定所述至少两个测距装置之间的标定参数。
2. 根据权利要求1所述的参数标定方法，其特征在于，所述重采样点云包括至少两组，所述至少两组重采样点云分别对应所述至少两个测距装置；所述基于所述重采样点云确定所述至少两个测距装置之间的标定参数包括：

   基于所述至少两组重采样点云以及预设的点云匹配算法计算得所述至少两个测距装置之间的初始标定参数；

   分别从所述至少两组重采样点云中提取出特征点；

   基于所述特征点、所述初始标定参数计算得到所述至少两个测距装置之间的标定参数。
3. 根据权利要求2所述的参数标定方法，其特征在于，所述分别从所述至少两组重采样点云中提取特征点包括：

   分别从所述至少两组重采样点云中的第N线上提取所述特征点；和/或，分别从所述至少两组重采样点云中的第M线上提取所述特征点。
4. 根据权利要求2所述的参数标定方法，其特征在于，所述分别从所述至少两组重采样点云中的第M线上提取所述特征点包括：

   从所述至少两组重采样点云中的第N线上提取出边沿特征点；

   基于所述边沿特征点确定第M线，所述第M线为所述边沿特征点所在的线；

   从所述第M线上提取其他的边沿特征点。
5. 根据权利要求3或4所述的方法，其特征在于，当所述重采样点云投影到参考面上得到N×M二维点阵时，所述第N线上的各点投影到所述 N×M二维点阵中的第N行上，所述第M线上的各点投影到所述N×M二维点阵中的第M列上。
6. 根据权利要求5所述的方法，其特征在于，所述参考面为与所述测距装置轴线垂直的平面。
7. 根据权利要求3所述的参数标定方法，其特征在于，所述分别从所述至少两组重采样点云中的第N线上提取所述特征点包括：

   对于所述至少两组重采样点云中的任一组重采样点云：按照从左至右或从右至左的顺序依次从所述第N线上的各点中提取出所述特征点。
8. 根据权利要求3所述的参数标定方法，其特征在于，所述分别从所述至少两组重采样点云中的第M线上提取所述特征点，包括：

   对于所述至少两组重采样点云中的任一组重采样点云：按照从上至下或从下至上的顺序依次从所述第M线上的各点的中提取出所述特征点。
9. 根据权利要求2至7任一项所述的参数标定方法，其特征在于，所述特征点基于所述重采样点云中的各点的曲率确定。
10. 根据权利要求2至8任一项所述的参数标定方法，其特征在于，所述特征点包括平面特征点和边沿特征点，所述平面特征点为曲率小于第一预设阈值的点，所述边沿特征点为曲率大于第二预设阈值的点。
11. 根据权利要求9-10任一项所述的参数标定方法，其特征在于，所述各点的曲率基于与所述各点在同一线的邻近点的合向量确定。
12. 根据权利要求11所述的参数标定方法，其特征在于，所述邻近点包括：

    与所述各点同在第N线的且位于所述各点左侧或右侧的一个或多个点；或者

    与所述各点同在第M线的且位于所述各点上面或下面的一个或多个点。
13. 根据权利要求2所述的参数标定方法，其特征在于，所述预设点云匹配算法包括ICP算法或NDT算法中的一种或多种。
14. 根据权利要求2所述的参数标定方法，其特征在于，所述基于所述特征点、所述初始标定参数计算得到所述标定参数包括：

    基于所述特征点和所述初始标定参数确定残差，其中，所述残差用于表征两个重采样点云中的特征点的匹配程度；

    基于预设的优化算法和所述残差计算所述标定参数。
15. 根据权利要求14所述的参数标定方法，其特征在于，所述基于所述特征点和所述初始标定参数确定残差包括：

    基于所述初始标定参数确定第一重采样点云中的特征点在第二重采样点云中的匹配特征点，所述第一重采样点云和所述第二重采样点云为所述至少两组重采样点云中的任意两组；

    确定所述第二重采样点云的特征点中与所述匹配特征点距离最近的一个或多个目标特征点；

    基于所述匹配特征点以及所述目标特征点确定所述残差。
16. 根据权利要求15所述的参数标定方法，其特征在于，所述残差基于所述匹配特征点与所述目标特征点构成的平面的距离，以及所述匹配特征点与所述目标特征点构成的直线的距离确定。
17. 根据权利要求16所述的参数标定方法，其特征在于，若所述特征点为平面特征点，则所述目标特征点为所述第二重采样点云的特征点中与所述匹配特征点距离最近的三个平面特征点，所述平面为所述三个平面特征点构成的平面。
18. 根据权利要求16所述的参数标定方法，其特征在于，若所述特征点为边沿特征点，则所述目标特征点为所述第二重采样点云的特征点中与所述匹配特征点距离最近的两个边沿特征点，所述直线为所述两个边沿特征点构成的直线。
19. 根据权利要求14所述的参数标定方法，其特征在于，所述优化算法包括Newton算法、Gauss-Newton算法、Levenberg-Marquardt算法中的一种或多种。
20. 根据权利要求1-19任一项所述的参数标定方法，其特征在于，所述重采样点云的采样密度高于所述初始点云；和/或所述重采样点云的噪声低于所述初始点云。
21. 根据权利要求1-20所述的参数标定方法，其特征在于，所述测距装置为激光雷达。
22. 一种参数标定装置，其特征在于，所述参数标定装置包括处理器和存储器，所述存储器由于存储计算机程序，所述处理器用于读取所述存储器中存储的所述计算机程序，并执行如下过程：

    对至少两个测距装置获取的初始点云进行重采样处理，得到重采样点云，所述测距装置在扫描视场中具有非均匀的扫描密度，所述重采样点云的分布均匀性高于所述初始点云的分布均匀性；

    基于所述重采样点云计算得到所述至少两个测距装置之间的标定参数。
23. 根据权利要求22所述的参数标定装置，其特征在于，所述重采样点云包括至少两组，所述至少两组重采样点云分别对应所述至少两个测距装置；所述处理器用于基于所述重采样点云计算得到所述至少两个测距装置之间的标定参数，包括：

    基于所述至少两组重采样点云以及预设的点云匹配算法计算得所述至少两个测距装置之间的初始标定参数；

    分别从所述至少两组重采样点云中提取出特征点；

    基于所述特征点、所述初始标定参数计算得到所述至少两个测距装置之间的标定参数。
24. 根据权利要求23所述的参数标定装置，其特征在于，所述处理器用于分别从所述至少两组重采样点云中提取出特征点，具体为：

    分别从所述至少两组重采样点云中的第N线上提取所述特征点；和/或，分别从所述至少两组重采样点云中的第M线上提取所述特征点。
25. 根据权利要求24所述的参数标定装置，其特征在于，所述处理器用于分别从所述至少两组重采样点云中的第M线上提取所述特征点，包括：

    从所述至少两组重采样点云中的第N线上提取出边沿特征点；

    基于所述边沿特征点确定第M线，所述第M线为所述边沿特征点所在的线；

    从所述第M线上提取其他的边沿特征点。
26. 根据权利要求24或25任一项所述的参数标定装置，其特征在于，当所述重采样点云投影到参考面上得到N×M二维点阵时，所述第N线上的各点投影到所述N×M二维点阵中的第N行上，所述第M线上的各点投影到所述N×M二维点阵中的第M列上。
27. 根据权利要求26所述的参数标定装置，其特征在于，所述参考面为与所述测距装置轴线垂直的平面。
28. 根据权利要求24所述的参数标定装置，其特征在于，所述处理器用于分别从所述至少两组重采样点云中的第N线上提取所述特征点时，具体包括：

    对于所述至少两组重采样点云中的任一组重采样点云：按照从左至右或从右至左的顺序依次从所述第N线上的各点中提取出所述特征点。
29. 根据权利要求25所述的参数标定装置，其特征在于，所述处理器用于分别从所述至少两组重采样点云中的第M线上提取所述特征点时，包括：

    对于所述至少两组重采样点云中的任一组重采样点云：按照从上至下或从下至上的顺序依次从所述第M线上的各点的中提取出所述特征点。
30. 根据权利要求23-29任一项所述的参数标定装置，其特征在于，所述特征点基于所述重采样点云中的各点的曲率确定。
31. 根据权利要求23-30任一项所述的参数标定装置，其特征在于，所述特征点包括平面特征点和边沿特征点，所述平面特征点为曲率小于第一预设阈值的点，所述边沿特征点为曲率大于第二预设阈值的点。
32. 根据权利要求30-31任一项所述的参数标定装置，其特征在于，所述各点的曲率基于与所述各点在同一线的邻近点的合向量确定。
33. 根据权利要求32所述的参数标定装置，其特征在于，所述邻近点包括：

    与所述各点同在第N线的且位于所述各点左侧或右侧的一个或多个点；或者

    与所述各点同在第M线的且位于所述各点上面或下面的一个或多个点。
34. 根据权利要求23所述的参数标定装置，其特征在于，所述预设点云匹配算法包括ICP算法或NDT算法中的一种或多种。
35. 根据权利要求23所述的参数标定装置，其特征在于，所述处理器用于基于所述特征点、所述初始标定参数计算得到所述标定参数时，具体包括：

    基于所述特征点和所述初始标定参数确定残差，其中，所述残差用于表征两个重采样点云中的特征点的匹配程度；

    基于预设的优化算法和所述残差计算所述标定参数。
36. 根据权利要求35所述的参数标定装置，其特征在于，所述处理器用于基于所述特征点和所述初始标定参数确定残差时，具体包括：

    基于所述初始标定参数确定第一重采样点云中的特征点在第二重采样点云中的匹配特征点，所述第一重采样点云和所述第二重采样点云为所述至少两组重采样点云中的任意两组；

    确定所述第二重采样点云的特征点中与所述匹配特征点距离最近的一个或多个目标特征点；

    基于所述匹配特征点以及所述目标特征点确定所述残差。
37. 根据权利要求36所述的参数标定装置，其特征在于，所述残差基于所述匹配特征点与所述目标特征点构成的平面的距离，以及所述匹配特征点与所述目标特征点构成的直线的距离确定。
38. 根据权利要求37所述的参数标定装置，其特征在于，若所述特征点为平面特征点，则所述目标特征点为所述第二重采样点云的特征点中与 所述匹配特征点距离最近的三个平面特征点，所述平面为所述三个平面特征点构成的平面。
39. 根据权利要求37所述的参数标定装置，其特征在于，若所述特征点为边沿特征点，则所述目标特征点为所述第二重采样点云的特征点中与所述匹配特征点距离最近的两个边沿特征点，所述直线为所述两个边沿特征点构成的直线。
40. 根据权利要求35所述的参数标定装置，其特征在于，所述优化算法包括Newton算法、Gauss-Newton算法、Levenberg-Marquardt算法中的一种或多种。
41. 根据权利要求22-40任一项所述的参数标定装置，其特征在于，所述重采样点云的采样密度高于所述初始点云；和/或所述重采样点云的噪声低于所述初始点云。
42. 根据权利要求22-41任一项所述的参数标定装置，其特征在于，所述测距装置为激光雷达。
43. 一种设备，其特征在于，所述设备包括两个或者多个测距装置、处理器和存储器，所述测距装置用于探测目标场景生成初始点云，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序以执行权利要求1-21任一项所述方法。
44. 根据权利要求43所述的设备，其特征在于，所述测距装置为激光雷达。
45. 一种计算机可读存储介质，其特征在于，用于存储程序指令，所述程序指令被计算机运行时，所述计算机执行如权利要求1至21中任一项所述的方法。

Images