視覺激光雷達(dá)信息融合與聯(lián)合標(biāo)定

編者薦語使用視覺進行目標(biāo)檢測，將檢測結(jié)果2D bounding box坐標(biāo)信息投影到點云里面獲得3D bounding boxx坐標(biāo)，這里面需要將攝像頭和激光雷達(dá)進行聯(lián)合標(biāo)定，即獲取二者坐標(biāo)系的空間轉(zhuǎn)換關(guān)系。

一、引言

最近在為車輛添加障礙物檢測模塊，障礙物檢測可以使用激光雷達(dá)進行物體聚類，但是我們使用的是16線的velodyne，線數(shù)還是有些稀疏，對于較遠(yuǎn)的物體過于稀疏的線數(shù)聚類效果并不好，因此考慮使用視覺進行目標(biāo)檢測，然后投影到3D點云里面，獲取障礙物位置，同時視覺還可以給出障礙物類別信息。 使用視覺進行目標(biāo)檢測，將檢測結(jié)果2D bounding box坐標(biāo)信息投影到點云里面獲得3D bounding boxx坐標(biāo)，這里面需要將攝像頭和激光雷達(dá)進行聯(lián)合標(biāo)定，即獲取二者坐標(biāo)系的空間轉(zhuǎn)換關(guān)系。 相關(guān)代碼已經(jīng)同步到我的github-smartcar 鏈接：https://github.com/sunmiaozju/smartcar 標(biāo)定部分在detection/calibration文件夾, 信息融合部分在detection/camera_point_fusion

二、聯(lián)合標(biāo)定轉(zhuǎn)換關(guān)系

聯(lián)合標(biāo)定的作用就是建立點云的point和圖像pixel之間的對應(yīng)關(guān)系， 需要獲取相機與激光雷達(dá)外參，將點云3維坐標(biāo)系下的點投影到相機3維坐標(biāo)系下。 還需要通過相機標(biāo)定獲得相機內(nèi)參，這個是把相機3維坐標(biāo)系下的點投影到成像平面。具體如下所示：

上圖顯示的就是聯(lián)合標(biāo)定得到的4×4轉(zhuǎn)換矩陣的作用，將我們的3D點云轉(zhuǎn)換到相機坐標(biāo)系下面

這幅圖顯示了相機坐標(biāo)系和成像坐標(biāo)系的關(guān)系，相機標(biāo)定會得到相機內(nèi)參矩陣和畸變系數(shù)，畸變系數(shù)可以消除相機凸透鏡的畸變效應(yīng)，相機內(nèi)參的信息就可以想相機坐標(biāo)下的3維點投影到2維的像素平面。相機標(biāo)定的具體原理可以參考//zhuanlan.zhihu.com/p/24651968三、相機標(biāo)定需要一個標(biāo)定板，要硬質(zhì)板或者泡沫的標(biāo)定板，因為標(biāo)定板的平面要保證是平的。標(biāo)定板的文件可以到opencv官網(wǎng)下載。 首先做相機標(biāo)定，相機標(biāo)定模塊在detection/calibration/camera_calibration 編譯

cd your_rosworkspace_path/ catkin_make -DCATKIN_BLACKLIST_PACKAGES=ndt_mapping;static_map;ndt_localization

這里我們先不編譯ndt_mapping;static_map;ndt_localization這三個軟件包 如果出錯，可以先編譯消息文件，再編譯全部文件：

catkin_make -DCATKIN_WHITELIST_PACKAGES=smartcar_msgs;yunle_msgs;smartcar_config_msgs catkin_make -DCATKIN_WHITELIST_PACKAGES=“”

然后要修改detection/calibration/camera_calibration/nodes文件夾下面python文件的可執(zhí)行權(quán)限：

sudo chmod a+x your_path/detection/calibration/camera_calibration/.

啟動攝像頭驅(qū)動節(jié)點

roslaunch cv_camera cv_camera_driver.launch

這里注意你自己的攝像頭video_id，使用如下命令查看

ls /dev/video*

然后根據(jù)需要修改your_path/driver/cv_camera/launch/cv_camera_driver.launch里面的

新開一個終端，執(zhí)行

rosrun calibration cameracalibrator.py --square 0.13 --size 8x6 image:=/cv_camera/image_raw

然后就可以進行標(biāo)定了，彈出的界面如下所示：

需要做的就是移動標(biāo)定版，讓右上角的四個條都變綠(我這里綠的是已經(jīng)調(diào)好了，未調(diào)整是偏黃色) x代表左右移動，y代表上下移動，size代表遠(yuǎn)近移動，skew代表傾斜側(cè)角，可以上下傾，也可以左右傾。 只有四個尺度的信息都滿足要求之后，右側(cè)的calibration圖標(biāo)才會顯示出來，這時候代表可以計算標(biāo)定結(jié)果了，點擊calibration，然后save，標(biāo)定結(jié)果會保存在home文件夾下面。

四、聯(lián)合標(biāo)定

聯(lián)合標(biāo)定使用的是autoware的CalibrationTookit模塊，代碼在detection/calibration/calibration_camera_lidar文件夾下面 編譯好代碼之后，首先要啟動攝像頭和激光雷達(dá)的驅(qū)動節(jié)點

roslaunch cv_camera cv_camera_driver.launch

新終端

roslaunch velodyne_pointcloud VLP16_points.launch

然后驅(qū)動聯(lián)合標(biāo)定節(jié)點

roslaunch calibration_camera_lidar camera_lidar_calib.launch

啟動之后可以看到UI界面，具體操作指南，可以參考文檔：detection/calibration/calibration_camera_lidar/CalibrationToolkit_Manual.pdf 的2.3節(jié) 也可以參考鏈接//blog.csdn.net/AdamShan/article/details/81670732#commentBox 如何使用這個模塊上面的鏈接已經(jīng)說的很明白，這里簡單說一下：·首先左上角load之前標(biāo)定的相機內(nèi)參文件，導(dǎo)入相機內(nèi)參·調(diào)整點云的視角(操作方法參考上面鏈接)，然后確保圖像和點云都可以看到完整的白標(biāo)定板，點擊右上角的grab捕獲單幀圖片和點云·在捕獲單幀的點云上面，選取圖片中對應(yīng)標(biāo)定板的位置，選取的是圓圈內(nèi)的所有點，所包含的信息不僅僅只有點，還有平面法相量，標(biāo)定的時候一定要確保法相量與平面是垂直的，因為開始我沒有注意這個，結(jié)果后面驗證的時候投影點在圖片上顯示不出，根本沒有投影在圖像范圍內(nèi)。 標(biāo)定好之后，在右上角有一個project，可以查看標(biāo)定的效果，一般來將，可以看到如下效果：

左下角圖片上的紅線就是右下角點云紅線投影到圖片上的位置，下面這幅圖片換一個角度，點同樣投影上去，而且相對位置在點云和圖片里面基本一致：

這樣的效果基本就是可以了，點擊save，會將輸出的外參文件保存在home文件夾下面。

五、視覺與點云信息融合

有了聯(lián)合標(biāo)定的外參文件，我們就可以進行信息融合了。 信息融合主要有兩個模塊：點云到圖像 、 圖像到點云

5.1 image2points

這部分代碼在your_path/deteection/camera_point_fusion/packages/joint_pixel_pointcloud這個pkg下面 這部分代碼實現(xiàn)的功能是建立將velodyne-16的點云投影到640×480的圖像上面，如果點云投影的二維點在圖像640×480范圍內(nèi)，那么就把這個三維激光雷達(dá)點的位置記下來，同時匹配圖像上對應(yīng)像素的顏色，變成pcl::XYZRGB點返回，并顯示出來。 除此之外，這個模塊還可以訂閱目標(biāo)檢測信息，攝像頭獲取圖像，經(jīng)過目標(biāo)檢測模塊之后，得到2維bounding box坐標(biāo)，利用點云和圖像像素的對應(yīng)關(guān)系，得到3維bounding box信息，并在RVIZ中顯示出來。 編譯好代碼之后，運行：

roslaunch joint_pixel_pointcloud joint_pixel_pointcloud.launch

同樣，需要先運行攝像頭驅(qū)動節(jié)點和velodyne驅(qū)動節(jié)點，還有目標(biāo)檢測節(jié)點，不過目標(biāo)檢測模塊因為某些原因不能公開到github，你可以使用自己的目標(biāo)檢測模塊，作為ROS節(jié)點添加到工作空間即可。 代碼運行效果如下所示：

這個就是圖像像素所對應(yīng)的點云，可以看到點云已經(jīng)被加上了黑白的顏色，點云周邊有一些比較淡的顏色，下面這幅圖加深了顏色，同時顯示出圖像對應(yīng)的點云在整個點云幀的位置：

下面是目標(biāo)檢測的效果：

可以看到，圖像上檢測出來的物體，基本都在3D場景下對應(yīng)出來了，其中，不同的顏色代表不同的物體類別。 不過，因為這個目標(biāo)檢測模型是針對于自動駕駛場景的，分類對象都是car,pedestrian,info signs等，而因為實驗條件的原因我還沒有來得及拿出去測試代碼效果，就先在房間測試了一下，所以可以看到目標(biāo)檢測的框是有些沒意義的東西，不過不影響驗證信息融合效果。 這個節(jié)點可以便于我們進行障礙物檢測，因為視覺信息進行障礙物檢測是要優(yōu)于低線數(shù)激光雷達(dá)聚類的，但是視覺信息識別物體雖然準(zhǔn)，卻沒有距離信息，激光雷達(dá)可以提供距離信息，因此，視覺和激光雷達(dá)二者結(jié)合，就可以獲得障礙物的距離、類別以及位置了

5.2 points2image

這個是把點云投影到圖像上，具體運行基本同理我就不說了。 代碼的具體效果如下所示：

可以看到，點云基本是和圖像是匹配的。 這個節(jié)點的作用是可以幫助我們進行紅綠燈識別或者其他info_sign識別。因為進行紅綠燈檢測最好是可以獲取紅綠燈在圖像上的位置，即ROI，然后再進行識別會容易很多。我們可以在事先建立好的場景語義地圖中，加入紅綠燈的位置，這樣車輛到達(dá)該位置的時候就可以立刻找到紅綠燈在圖像上的ROI，這樣會優(yōu)化info sign的檢測。具體如下所示：

六、總結(jié)

本文主要介紹了關(guān)于視覺和激光雷達(dá)進行信息融合相關(guān)內(nèi)容，包括相機標(biāo)定，攝像頭與激光雷達(dá)聯(lián)合標(biāo)定，信息融合節(jié)點等等 利用激光雷達(dá)和視覺信息融合,我們可以結(jié)合二者的優(yōu)點優(yōu)化障礙物檢測或交通標(biāo)志的識別，以及優(yōu)化其他相關(guān)任務(wù)等等。

審核編輯 ：李倩