激光相机数据融合（6）--激光相机标定

若是本身想要搭建一个激光相机系统，那么首要的就是要肯定激光与相机的位置关系。那么下面将介绍一些典型的标定方法历史。

最先的激光相机标定方法，由一些与相机标定相似，只须要一块标定板，网站提供matlab工具包：http://www.cs.cmu.edu/~ranjith/lcct.html. 算法思路很简单，先采集十张左右的数据，分别寻找标定板在相机和激光中的对应平面方程，求解约束方程获取；两传感器位置方程。这些在做者的主页有详细介绍。

 

KITTI数据集的标定与这个算法相似，文章发表在2012年的ICRA上Automatic Camera and Range Sensor Calibration using a single Shot. 只不过一张图像中出现了多张标定板:

难点在做者如何对应激光中某一张的标定板就是图像上的某一张？做者利用了ransac算法，大体过程就是先假设某三个对应关系是正确的，得出相机与激光的位置关系，而后在反求其余标定板对应关系是否正确。不断循环这一操做，最终找出最优关系。

 

近几年又出现了，无需标定板，利用激光和图像的互信息标定：http://robots.engin.umich.edu/SoftwareData/ExtrinsicCalib.

不过笔者认为若是想要获取稳定快捷的标定方法，仍是最原始的方法好。下面介绍笔者所用设备及其标定方法：

笔者所选用的是一架全景相机配合一个旋转的单线激光，单线激光的配置教程能够参考：https://jvgomez.github.io/pages/hokuyo-dynamixel-coupling-for-3d-mapping.html 其由一个hokuyo 30米激光和一个舵机dynamixel组成。经过舵机旋转，记录下每一时刻的点云来将2D激光转变为3D激光。

首先笔者对全景相机进行了标定：http://www-sop.inria.fr/icare/personnel/Christopher.Mei/ChristopherMeiPhDStudentToolbox.html. 若是是其余相机能够自行寻找标定工具包。

 

这个工具包都直接给出了相机的投影方程，和每一个标定板在相机坐标系下的方程，咱们记为：α_m,i: θ_m,iX+d_m,i=0.

另外一方面利用PCL中的DoN 特征（http://pointclouds.org/documentation/tutorials/don_segmentation.php#don-segmentation）分离出标定板在激光坐标系下的方程：α_l,i: θ_l,iX+d_l,i=0.

能够经过最小化以下方程来约束RT矩阵：

$\arg \mathop {\min }\limits_{R,T} \sum\limits_{i = 1}^n {\frac{1}{{l(i)}}} \sum\limits_{j = 1}^{l(i)} {({\theta _{m,i}}(RX_{l,i}^{(j)} + T) + {d_{m,i}})}$

R和T能够分别求解：

${{R_1} = \arg \mathop {\max }\limits_R \sum \theta _{c,i}^T(R{\theta _{l,i}})}$

${{t_1} = \mathop {\arg \min }\limits_t \sum\limits_i {({\alpha _{l,i}}}  - ({\alpha _{c,i}} - {\theta _{c,i}}t){)^2}}$

 先用USV分解求出近似解：

${R_1} = V{U^T}$

${\theta _l}\theta _c^t = US{V^T}$

再用 Levenberg-Marquardt优化求解。

下面给出标定求解代码：https://github.com/ZouCheng321/6_calibration

更多详请下载个人文章：An automatic calibration between an omni-directional camera and a laser rangender for dynamic scenes reconstruction (http://ieeexplore.ieee.org/document/7866544/)

运行calibration.m 进行标定。

运行colorize.m 进行点云上色。

若是须要看上色后的效果：

cd  view
mkdir build
cmake ..
make
./cloud_viewer ../../1.pcd

能够看到图像转为3D场景：