(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210379970.1 (22)申请日 2022.04.12 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 孔阳　朱奕霖　徐世友　成慧　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 牛念 (51)Int.Cl. G06T 7/80(2017.01) G06T 7/13(2017.01) G06T 5/00(2006.01) G06T 7/62(2017.01) G06V 10/762(2022.01)G06K 9/62(2022.01) G01S 7/497(2006.01) (54)发明名称 一种激光雷达和相机的联合标定方法及系 统 (57)摘要 本发明属于传感器联合标定技术领域， 更具 体地， 涉及一种激光雷达点云数据中的标定板角 点提取方法， 包括： 提取点云数据中标定板的边 缘点； 对边缘点聚类， 并对得到的聚类进行筛选 得到初始聚类， 记为潜在标定板对象； 对潜在标 定板对象进行降噪得到降噪后潜在标定板对象； 将降噪后潜在标定板对象投影到平 面， 并结合标 定板真实面积 对初始聚类进一步筛选， 得到目标 聚类； 通过直线拟合算法对目标聚类的边缘进行 直线拟合得到多根边缘线， 求解出多根边缘线的 交点， 得到标定板角点。 本发明的角点提取精度 更高， 使得激光雷达与相机的联合标定更 可靠。 权利要求书2页 说明书10页 附图4页 CN 114742898 A 2022.07.12 CN 114742898 A 1.一种激光雷达点云数据中的标定 板角点提取方法， 其特 征在于， 包括以下步骤： 提取点云数据中标定 板的边缘点； 对边缘点聚类， 并对得到的聚类进行筛 选得到初始聚类， 记为潜在标定 板对象； 对潜在标定 板对象进行降噪得到降噪后潜在标定 板对象； 将降噪后潜在标定板对象投影到平面， 并结合标定板真实面积对初始聚类进一步筛 选， 得到目标聚类； 通过直线拟合算法对目标聚类的边缘进行直线拟合得到多根边缘线， 求解出多根边缘 线的交点， 得到标定 板角点。 2.根据权利要求1所述的一种激光雷达点云数据中的标定板角点提取方法， 其特征在 于， 所述提取点云数据中标定 板的边缘点具体包括以下步骤： 将点云顺序调整为按行优先； 记录每一行当前帧的点数量； 基于单点平滑度评价量对所有点进行分类， 得到所有的左边缘点和右边缘点， 并形成 边缘点集合。 3.根据权利要求2所述的一种激光雷达点云数据中的标定板角点提取方法， 其特征在 于， 所述对边缘点聚类具体为通过单连接算法或多 连接算法或DBSCA N在所述边缘点集合中 进行聚类， 每个聚类至少保存的信息为： 激光雷达笛卡尔坐标系下的x轴、 y轴与z轴上的最 大值及最小值， 每一行 上的点的索引的区间、 聚类中的所有点的坐标。 4.根据权利要求3所述的一种激光雷达点云数据中的标定板角点提取方法， 其特征在 于， 所述对得到的聚类进行筛 选得到初始聚类具体包括以下步骤： 通过激光雷达笛卡尔坐标系下的x轴、 y轴与z轴上的最大值及最小值求取每个聚类包 围盒， 并根据聚类包围盒进行初步筛 选； 对经初步筛 选后的聚类按照每一行 上的点的索引区间填入原 始的所有点； 对每个聚类分别进行平面拟合， 分别得到拟合后的标定板在激光雷达笛卡尔 坐标系下 的三维平面法向量以及平面中包 含的所有局内点； 筛选局内点占比大于第一设定阈值的聚类得到初始聚类。 5.根据权利要求4所述的一种激光雷达点云数据中的标定板角点提取方法， 其特征在 于， 所述对潜在标定板对象进 行降噪具体为利用所述三 维平面法向量对潜在标定板对象中 点的测距结果进行降噪， 进 而求出降噪后的点的坐标。 6.根据权利要求5所述的一种激光雷达点云数据中的标定板角点提取方法， 其特征在 于， 在对潜在标定 板对象进行降噪后， 还进行如下步骤： 对每个潜在标定 板对象， 基于反射强度对所有点进行二 值化处理； 基于二值化的结果 提取潜在标定 板对象的边 缘点。 7.根据权利要求6所述的一种激光雷达点云数据中的标定板角点提取方法， 其特征在 于， 所述将降噪后潜在标定板对 象投影到平面， 并结合标定板真实面积对初始聚类进一步 筛选， 得到目标聚类具体包括以下步骤： 求出三维平面法向量到 z轴的轴角变换向量 根据轴角变换向量 求出对应的三维旋转矩阵R；权　利　要　求　书 1/2 页 2 CN 114742898 A 2通过潜在标定 板对象中所有局内点的均值 求出平移向量 利用三维旋转矩阵R与平 移向量 组成投影 变换矩阵 其中RT表示为R的转置矩阵， 将潜在标定板对象内的所有局内点投 影到二维平面； 通过凸包算法求出局内点的内点的凸包 并求出凸包 的面积 比较面积 与标定板的真实面积， 对初始聚类进一 步筛选， 得到目标聚类。 8.根据权利要求7所述的一种激光雷达点云数据中的标定板角点提取方法， 其特征在 于， 还包括对所述得到的标定 板角点进行优化， 具体包括以下步骤： 利用标定 板真实尺寸对得到的标定 板的角点进行处 理： 其中， 矩阵 是满足李群SE(2)的二维变 换矩阵， a00、 a01、 a10、 a11、 b0、 b1 为矩阵T的元素， 矩阵T*是矩阵T的优化结果， c*为优化后的角点， ci为得到的标定板的角点， 为根据标定 板尺寸信息构建的真实角点矩阵模板， i 为当前正在处 理的角点的序号； 利用所述投影 变换矩阵 将优化后的角点 转化为三维角点 坐标。 9.一种激光雷达和相机的联合标定方法， 其特 征在于， 包括以下步骤： 分别提取激光雷达点云数据及相机图像数据中的标定 板； 采用权利要求1至8任一项所述的激光雷达点云数据中的标定板角点提取方法提取激 光雷达点云数据中的标定 板角点； 提取相机图像数据中的标定 板角点； 利用点云数据中的标定板角点和图像数据中的标定板角点， 通过PnP算法求解得到激 光雷达与相机的联合标定 。 10.根据权利要求9所述的一种激光雷达和相机的联合标定方法， 其特征在于， 所述利 用点云数据中的标定板角点和图像数据中的标定板角点， 通过PnP算法求解得到激光雷达 与相机的联合标定具体采用基于RANSAC的迭代算法， 包括以下步骤： 将点云数据中的标定板角点和图像数据中的标定板角点组成三维 ‑二维角点对； 在每 次迭代中选出若干对三 维‑二维角点对， 通过EPnP算法求解得到三 维‑二维角点对的粗略坐 标变换； 根据所述三维 ‑二维角点对的粗略坐标变换将所有三维角点投影到相机图像坐标系 上， 计算重投影误差； 根据重投影误差分离局内点和 局外点； 对所有局内点通过EPnP算法求解更优的坐标变换并更新重投影误差， 得到最优的坐标 变换即为激光雷达与相机的标定 。权　利　要　求　书 2/2 页 3 CN 114742898 A 3