一种基于圆形标定物的雷达与相机的点化融合标定方法、系统及介质与流程
- 国知局
- 2024-08-08 16:54:44
本发明涉及雷达与相机外参标定,尤其是涉及一种基于圆形标定物的雷达与相机的点化融合标定方法、系统及介质。
背景技术:
1、随着自动化驾驶技术的不断发展,在自动驾驶系统中,传感器是系统能感知周围环境的决定性因素。在传感器装车后,需要通过传感器标定消除安装误差,让自动驾驶系统准确定位各个传感器被安装在什么位置。传感器标定为后续建图、定位、感知和控制打下坚实基础,是自动驾驶系统稳定运行的核心部分与前置条件。标定的精度会影响传感器的使用上限精度,最终影响车辆的行驶状态。
2、自动驾驶系统中包含各种各样的传感器,传感器是系统能感知周围环境的决定性因素。在传感器装车后,需要对传感器进行标定,获取各个传感器的安装位置,进而让后续算法模块更好地使用传感器数据。
3、简单来讲,传感器标定需要告诉自动驾驶系统传感器的准确位置。如果说定位是在地图坐标系确定自车的位置,那么标定就是在车身坐标系确定传感器的位置。
4、从性质上说,传感器标定可以分为内参标定与外参标定。
5、内参标定主要与传感器有关,它可以通过建立传感器误差模型,获得传感器特性参数、消除传感器本身测量误差。外参标定与安装位置有关,通过各种先验信息获取传感器在车身坐标系下的位姿。外参标定求解的主要问题取决于车辆坐标系的定义。
6、如果车辆坐标系为车辆上的某一点,将车辆看作刚体,传感器标定解决的问题,即为固定车辆坐标系下传感器的位置确定。进一步,如果车辆坐标系即为车辆上的某个传感器坐标系。传感器外参标定问题即简化为多传感器外参标定问题。
7、如果车辆坐标系为车辆自车地面上某一点。除了装车后的传感器位姿标定,还包含自车状态、以及环境变化影响下的传感器坐标系与车身坐标系间的外参变化问题,因此,如何准确对传感器的外参标定成为我们亟待解决的问题。
技术实现思路
1、鉴于以上问题,本发明提供了一种基于圆形标定物的雷达与相机的点化融合标定方法、系统及介质,不仅能够对传感器的外参进行精确的标定,从而保证车辆的安全行驶,而且采用多传感器点化融合标定,进一步提高标定的精确性。
2、为了实现上述目的及其他相关目的,本发明提供的技术方案如下:
3、一种基于圆形标定物的雷达与相机的点化融合标定方法,所述方法包括:
4、q1.圆形标定物设置于预设区域,基于车载激光雷达获取圆形标定物的点云数据信息,基于车载相机获取圆形标定物的图像数据信息;
5、q2.基于所述圆形标定物的图像数据信息,采用改进的灰度重心算法对圆形标定物的圆心图像像素坐标进行提取,得到圆形标定物的圆心图像像素坐标数据信息;
6、q3.基于所述圆形标定物的圆心图像像素坐标数据信息和所述圆形标定物的点云数据信息,采用圆形标定物的点云与图像的单点式映射算法对圆形标定物的点云与图像的对应关系进行表征,得到圆形标定物的点云与图像的对应点的矩阵数据信息;
7、q4.基于所述圆形标定物的点云与图像的对应矩阵数据信息,建立雷达与相机的点化融合标定函数m,对雷达与相机之间的外参进行联合标定,输出雷达与相机之间的外参标定结果数据信息。
8、进一步的,在步骤q2中,所述采用改进的灰度重心算法对圆形标定物的圆心图像像素坐标进行提取包括:
9、q21.基于所述圆形标定物的图像数据信息,进行灰度化处理,并获取圆形标定物的图像的像素点坐标数据信息;
10、q22.基于所述圆形标定物的图像的像素点坐标数据信息,建立图像的像素点坐标分割函数g,
11、
12、其中,(xi,yi)为圆形标定物的图像的像素点坐标数据信息,λ1和λ2为像素点横坐标分割因子,α1和α2为像素点纵坐标分割因子,对圆形标定物的图像的像素点进行分割,得到分割后的圆形标定物的图像的像素点数据信息;
13、q23.基于所述分割后的圆形标定物的图像的像素点数据信息,建立圆形标定物的图像像素点重心坐标函数h,
14、
15、其中,fij为第i行第j列的像素值,(xi,yj)为圆形标定物的图像的像素点坐标数据信息,m和n为正整数,对圆形标定物的每一个分割区域的图像像素点重心坐标进行推算,得到每一个分割区域的图像像素点重心坐标数据信息;
16、q24.基于所述每一个分割区域的图像像素点重心坐标数据信息,建立圆形标定物的圆心图像像素坐标函数u,
17、
18、其中,k为样本容量,hk为第k个分割区域的图像像素点重心坐标数据信息,θk为分割区域的图像像素点重心坐标的权值因子,对圆形标定物的圆心图像像素坐标进行提取,得到圆形标定物的圆心图像像素坐标数据信息。
19、进一步的,所述分割区域的图像像素点重心坐标的权值因子θk为,
20、
21、其中,k为样本容量,hk为第k个分割区域的图像像素点重心坐标数据信息。
22、进一步的,所述第i行第j列的像素值fij为,
23、
24、其中,t为预设的像素灰度值。
25、进一步的,所述像素点横坐标分割因子λ1和λ2的约束条件为,
26、所述像素点纵坐标分割因子α1和α2的约束条件为,
27、
28、进一步的,在步骤q3中,所述采用圆形标定物的点云与图像的单点式映射算法对圆形标定物的点云与图像的对应关系进行表征包括:
29、q31.基于所述圆形标定物的点云数据信息,采用最小二乘算法对圆形标定物圆心的点云坐标进行求取,得到圆形标定物圆心的点云坐标数据信息;
30、q32.基于所述圆形标定物圆心的点云坐标数据信息和所述圆形标定物的圆心图像像素坐标数据信息,建立圆形标定物的点云与图像的单点式映射函数w,
31、
32、其中,y为圆形标定物圆心的点云坐标数据信息,z为圆形标定物的圆心图像像素坐标数据信息,ω1和ω2为点云与图像的对应关系决定因子;
33、q33.基于所述圆形标定物的点云与图像的单点式映射函数w,对圆形标定物的点云与图像的对应关系进行表征,得到圆形标定物的点云与图像的对应点的矩阵数据信息。
34、进一步的,所述点云与图像的对应关系决定因子ω1和ω2的约束条件为,
35、
36、进一步的,所述雷达与相机的点化融合标定函数m为,
37、
38、其中,a为圆形标定物的点云与图像的对应矩阵数据信息,ρ1,ρ2和ρ3为点化融合标定的常量参数,γ1,γ2和γ3为点云与图像之间的外参标定误差决定因子。
39、为了实现上述目的及其他相关目的,本发明还提供了一种基于圆形标定物的雷达与相机的点化融合标定系统,包括计算机设备,该计算机设备被编程或配置以执行任意一项所述的基于圆形标定物的雷达与相机的点化融合标定方法的步骤。
40、为了实现上述目的及其他相关目的,本发明还提供了一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行任意一项所述的基于圆形标定物的雷达与相机的点化融合标定方法的计算机程序。
41、本发明具有以下积极效果:
42、1.本发明通过采用改进的灰度重心算法对圆形标定物的圆心图像像素坐标进行提取,并结合采用圆形标定物的点云与图像的单点式映射算法对圆形标定物的点云与图像的对应关系进行表征,不仅能够对雷达与相机之间的对应点进行精确的标定,而且能够对传感器的外参进行精确的标定,使车载传感器获取的环境数据更加准确,从而保证车辆的安全行驶。
43、2.本发明通过建立雷达与相机的点化融合标定函数m,对雷达与相机之间的外参进行联合标定,不仅简化了车载多传感器之间参数标定的过程,而且采用多传感器点化融合标定,进一步提高标定的精确性。
本文地址:https://www.jishuxx.com/zhuanli/20240808/271146.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表