(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 108198223 A
(43)申请公布日 2018.06.22
(21)申请号 CN201810082993.X
(22)申请日 2018.01.29
(71)申请人 清华大学
    地址 100084 北京市海淀区100084信箱82分箱清华大学专利办公室
(72)发明人 杨殿阁 谢诗超 江昆 钟元鑫 肖中阳 曹重 王思佳
(74)专利代理机构 北京纪凯知识产权代理有限公司
    代理人 徐宁
(51)Int.CI
     
                                                                  权利要求说明书 说明书 幅图
(54)发明名称
      一种激光点云与视觉图像映射关系快速精确标定方法
(57)摘要
      本发明涉及一种激光点云与视觉图像映射关系快速精确标定方法，该标定方法包括以下步骤：1)设置一带方孔的棋盘格标定板，并将标定板同时置于激光雷达与相机的视野中，经激光点云和视觉图像的特征点提取，得到n组对应的特征点；2)进行单应性矩阵初解计算；3)进行单应性矩阵极大似然估计；4)进行相机畸变参数极大似然估计；5)进行激光点云和视觉图像映射关系中全部映射参数极大似然估计。本发明基于单应性矩阵直接构建三维点云与视觉图像像素间直接的映射关系，而不需对相机内参矩阵和传感器外参矩阵进行标定，采用这种标定方法不仅减少了标定步骤，而且由于是直接对映射结果进行优化，不会造成标定误差的传递，有着更高的标定精度。
法律状态
法律状态公告日
法律状态信息
法律状态
权 利 要 求 说 明 书
1.一种激光点云与视觉图像映射关系快速精确标定方法,其特征在于,该标定方法包括以下步骤:
正则化的最小二乘法曲线拟合python1)设置一带方孔的棋盘格标定板,并将标定板同时置于激光雷达与相机的视野中,经激光点云和视觉图像的特征点提取,得到n组对应的特征点;
2)进行单应性矩阵初解计算:
在得到n组对应的特征点后,将式(2)中单应性矩阵H展开为式(3):
<Image>
<Image>
上式中,s为尺度因子;<Image>为像素坐标系下的齐次坐标;<Image>为激光雷达坐标系下的齐次坐标;h<Sub>1</Sub>,h<Sub>2</Sub>,h<Sub>3</Sub>为4维的行向量,将其改写为式(4)的形式:
<Image>
上式中,u<Sub>i</Sub>、v<Sub>i</Sub>为特征点在像素坐标系下的坐标;角标i表示n组特征点中的第i组,i=1,2,...,n;
将尺度因子s作为未知量放入待求解向量中,于是将式(4)转化为式(5):
<Image>
上式中,<Image>为相机坐标系下的齐次坐标;其中:
<Image>
由于单应性矩阵H与尺度因子s同时放大或缩小式(4)依然满足,因此令s<Sub>n</Sub>=1,并将式(5)化为式(6):
<Image>
为书写方便用式(7)来代表式(6):
Γ·(h<Sup>T</Sup>>T</Sup>)<Sup>T</Sup>=b(7)
其中:
<Image>
然后应用奇异值分解求式(7)的最小二乘解,即将矩阵Γ分解为:Γ=UΣV<Sup>T</Sup>,并求得最小二乘解为<Image>其中,Σ是包含Γ奇异值的对角阵;U和V是正交矩阵;Σ<Sup>+</Sup>是Σ的广义逆矩阵;
3)进行单应性矩阵极大似然估计:
假设观测噪声是高斯的,则极大似然估计为:
<Image>
式中,<Image><Image>是不考虑相机畸变时激光雷达坐标系下的点<Image>经投影变换得到的像素坐标系下坐标;
令步骤2)求出的h′为初解,使用Levenberg-Marquardt算法迭代,对式(8)进行求解,求得对h的极大似然估计<Image>
4)进行相机畸变参数极大似然估计:
相机的畸变模型为:
<Image>
<Image>
式中,<Image>为理想针孔相机模型下像素点的坐标;<Image>为考虑相机的畸变模型以后像素点的实际坐标;(u<Sub>c</Sub>,v<Sub>c</Sub>)<Sup>T</Sup>为畸变中心位置;k<Sub>j</Sub>为第j阶径向畸变系数;p<Sub>j</Sub>是第j阶切向畸变系数;<Image>

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。