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進行物體聚類，但是我們使用的是16線的velodyne，線數還是有些稀疏，對于較遠的物體過于稀疏的線數聚類效果并不好，因此考慮使用視覺進行目標檢測，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。
使用視覺進行目標檢測，將檢測結果2D bounding box坐標信息投影到點云里面獲得3D bounding boxx坐標，這里面需要將攝像頭和激光雷達進行聯合標定，即獲取二者坐標系的空間轉換關系。
相關代碼已經同步到我的github-smartcar：https://github.com/sunmiaozju/smartcar
標定部分在detection/calibration文件夾, 信息融合部分在detection/camera_point_fusion
聯合標定轉換關系
聯合標定的作用就是建立點云的point和圖像pixel之間的對應關系，
需要獲取相機與激光雷達外參，將點云3維坐標系下的點投影到相機3維坐標系下。
還需要通過相機標定獲得相機內參，這個是把相機3維坐標系下的點投影到成像平面。具體如下所示：
上圖顯示的就是聯合標定得到的4×4轉換矩陣的作用，將我們的3D點云轉換到相機坐標系下面
這幅圖顯示了相機坐標系和成像坐標系的關系，相機標定會得到相機內參矩陣和畸變系數，畸變系數可以消除相機凸透鏡的畸變效應，相機內參的信息就可以想相機坐標下的3維點投影到2維的像素平面。相機標定的具體原理可以參考:https://zhuanlan.zhihu.com/p/24651968
相機標定
需要一個標定板，要硬質板或者泡沫的標定板，因為標定板的平面要保證是平的。標定板的文件可以到opencv官網下載。
首先做相機標定，相機標定模塊在detection/calibration/camera_calibration
編譯
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：
然后要修改detection/calibration/camera_calibration/nodes文件夾下面python文件的可執行權限：
啟動攝像頭驅動節點
這里注意你自己的攝像頭video_id，使用如下命令查看
然后根據需要修改your_path/driver/cv_camera/launch/cv_camera_driver.launch里面的
新開一個終端，執行
然后就可以進行標定了，彈出的界面如下所示：
需要做的就是移動標定版，讓右上角的四個條都變綠(我這里綠的是已經調好了，未調整是偏黃色)
x代表左右移動，y代表上下移動，size代表遠近移動，skew代表傾斜側角，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，右側的calibration圖標才會顯示出來，這時候代表可以計算標定結果了，點擊calibration，然后save，標定結果會保存在home文件夾下面。
聯合標定
聯合標定使用的是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的驅動節點
新終端
然后驅動聯合標定節點
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
也可以參考鏈接:https://blog.csdn.net/AdamShan/article/details/81670732#commentBox
如何使用這個模塊上面的鏈接已經說的很明白，這里簡單說一下：
·首先左上角load之前標定的相機內參文件，導入相機內參
·在捕獲單幀的點云上面，選取圖片中對應標定板的位置，選取的是圓圈內的所有點，所包含的信息不僅僅只有點，還有平面法相量，標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。
標定好之后，在右上角有一個project，可以查看標定的效果，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。
視覺與點云信息融合
有了聯合標定的外參文件，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，那么就把這個三維激光雷達點的位置記下來，同時匹配圖像上對應像素的顏色，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檢測信息，攝像頭獲取圖像，經過目標檢測模塊之后，得到2維bounding box坐標，利用點云和圖像像素的對應關系，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：
同樣，需要先運行攝像頭驅動節點和velodyne驅動節點，還有目標檢測節點，不過目標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檢測模塊，作為ROS節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的點云，可以看到點云已經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的點云在整個點云幀的位置：
下面是目標檢測的效果：
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于低線數激光雷達聚類的，但是視覺信息識別物體雖然準，卻沒有距離信息，激光雷達可以提供距離信息，因此，視覺和激光雷達二者結合，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，這樣會優化info sign的檢測。具體如下所示：
總結
本文主要介紹了關于視覺和激光雷達進行信息融合相關內容，包括相機標定，攝像頭與激光雷達聯合標定，信息融合節點等等
利用激光雷達和視覺信息融合,我們可以結合二者的優點優化障礙物檢測或交通標志的識別，以及優化其他相關任務等等。
轉載請注明出處。
相關文章
熱門資訊
精彩導讀
關注我們
