激光雷达点云投影

最新推荐文章于 2025-10-10 17:05:05 发布
原创 最新推荐文章于 2025-10-10 17:05:05 发布 · 7.8k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了如何将3D激光雷达的点云数据投影到2D图片上，包括鸟瞰图（BV）和正视图（FV）的投影过程。内容涉及坐标间对应关系，例如图片坐标与激光雷达坐标的转换，以及正视图的坐标对应关系。此外，还提到了投影约束，如图像像素必须为整数且值在0-255之间，并且点云投影需限制在感兴趣的区域内。最后，展示了投影结果的示例。

3D激光雷达与2D图片投影

激光雷达与投影坐标关系

3D激光雷达向2D图片进行投影主要包括，BV：鸟瞰图，FV：正视图。两种方式都需要考虑图片坐标与激光雷达坐标间的对应关系，其关系如下图所示。

坐标间对应关系

图片坐标
图片坐标，横向为X轴，纵向为Y轴

激光雷达坐标
激光雷达坐标，雷达正前方为X轴正方向，左侧为Y轴正方向，垂直向上Z轴正方向

FV对应关系
正视图坐标对应关系

最低0.47元/天 解锁文章
激光雷达点云投影到前视图（附 python代码）
三维点云技术探索
12-29 2194
以KITTI激光雷达点云为例，x表示车辆行驶方向，y表示车身方向，z表示高度方向。定义xy平面的方向角为θ，z方向上的方向角为φ。如下图所示，θ由反正切arctan（y, x）得到。在numpy中，arctan2将反正切函数的值域从（-pi/2, pi/2）变换到（-pi, pi）。
PCL 点云平面投影（基于参数化模型）
weixin_43896283的博客
05-01 914
Project_Inliers投影滤波器：基本原理是将点云中的点投影到一个给定的平面上。该算法的输入是一个点云数据以及一个平面模型（ModelCoefficients），输出是投影后的点云数据。
激光雷达点云投影到图像
abanchao的博客
02-24 1593
多传感器融合一直是自动驾驶领域非常火的名词, 但是如何融合不同传感器的原始数据, 很多人对此都没有清晰的思路. 本文的目标是在KITTI数据集上实现激光雷达和相机的数据融合. 然而激光雷达得到的是3D点云, 而单目相机得到的是2D图像, 如何将3D空间中的点投影到图像平面上, 从而获得激光雷达与图像平面相交的区域, 是本文研究的重点. 其次本文会介绍相机这个大家常见的传感器, 以及讲解如何对相机进行畸变校准.
激光雷达点云投影到图像平面
W25679的博客
08-15 3460
坐标系转换：使用外参矩阵将激光雷达点云从激光雷达坐标系转换到相机坐标系。相机投影：应用针孔相机模型，将三维点投影到二维图像平面。畸变校正：对投影点进行必要的畸变校正。映射：将投影后的像素坐标与图像中的像素位置对应起来。通过这些步骤，激光雷达的三维点云数据就能够与二维图像数据进行配准，从而实现多传感器融合应用。
激光雷达的结果为什么是点云数据？
最新发布
fanstering的博客
10-10 737
物理原理决定了它只能先获取 “单个三维点”；扫描系统通过 “遍历目标区域” 将单点拼接成 “密集点集”；点云的离散特性又能兼顾 “原始测量精度” 和 “后续处理灵活性”，完美匹配三维感知的应用需求。因此，点云数据不是激光雷达 “选择输出的格式”，而是其技术原理和应用目标共同决定的 “天然输出形态”。
Mark一下～激光雷达点云投影到图像的方法（基于autoware的lidar_camera_calibration,外参不匹配的一些坑）
mxdsdo09的博客
08-24 9952
按上篇博客的思路，先使用autoware完成了对lidar和cam的外参标定工作，得到的外参包括3*3R（旋转矩阵）和3*1T（平移向量），统一在4*4的外参矩阵里。 之后使用autoware标定自带的投影在rviz中显示点云投影在图像上，效果很好，然而想自己投影，使用OpenCVC的函数 cv::projectPoints(pts_3d, r_vec, t_vec, camera_matr...
一种投影法的点云目标检测网络
3D视觉工坊
03-23 1342
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达文章导读本文来源于早期的一篇基于投影法的三维目标检测文章《An Euler-Region-Proposal for Real-time...
精选资源
将点云投影到图像并生成带有颜色的激光雷达点云_python_代码_下载
06-14
此代码用于将 LiDAR 点云投影到图像并生成带颜色的点云 输入 图像（.png 文件） 点云文件（.bin 文件） Calib 文件 支持两种 calib 文件类型。 所有参数存储在一个文件中。例如 KITTI R_rect: 形状 3*3 P_rect: ...
基于javaScript实现从世界坐标系到相机坐标系，激光雷达点云投影到图像平面+源码+项目文档（毕业设计&课程设计&项目开发）
06-27
基于javaScript实现从世界坐标系到相机坐标系，激光雷达点云投影到图像平面+源码+项目文档，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用，详情见md文档 世界坐标...
PCL 投影点云
u011489887的专栏
06-30 743
PCL 投影点云
基于移动平台的激光雷达点云投影到相机图像上的不确定性估计
10-20
结合多传感设备以实现高级的感知能力是自动驾驶汽车导航的关键要求。传感器融合用于获取有关周围环境的丰富信息。摄像头和激光雷达传感器的融合可获取精确的范围信息，该信息可以投影到可视图像数据上。这样可以对场景有一个高层次的认识，可以用来启用基于上下文的算法，例如避免碰撞更好的导航。组合这些传感器时的主要挑战是将数据对齐到一个公共域中。由于照相机的内部校准中的误差，照相机与激光雷达之间的外部校准以及平台运动导致的误差，因此这可能很困难。在本文中，我们研究了为激光雷达传感器提供运动校正所需的算法。由于不可能完全消除由于激光雷达的测量值投影到同一里程计框架中而导致的误差，因此，在融合两个不同的传感器时，必须考虑该投影的不确定性。这项工作提出了一个新的框架，用于预测投影到移动平台图像帧（2D）中的激光雷达测量值（3D）的不确定性。所提出的方法将运动校正的不确定性与外部和内部校准中的误差所导致的不确定性相融合。通过合并投影误差的主要成分，可以更好地表示估计过程的不确定性。我们的运动校正算法和提出的扩展不确定性模型的实验结果通过在电动汽车上收集的真实数据进行了演示，该电动汽车配备了可覆盖180度视野的广角摄像头和16线扫描激光雷达。
点云处理——将激光雷达数据投影到二维图像
热门推荐
W_Tortoise的博客
03-27 2万+
“前视图”投影 为了将激光雷达传感器的“前视图”展平为2D图像，必须将3D空间中的点投影到可以展开的圆柱形表面上，以形成平面。 以下代码改编自论文：Vehicle Detection from 3D Lidar Using Fully Convolutional Network # h_res = horizontal resolution of the lidar sensor # v_re...
将点云数据投影到图像上并生成带有颜色的激光雷达点云：Python实现指南
qq_38334677的博客
08-21 6098
但是，通过将点云数据投影到2D图像上并为其添加颜色，我们可以更容易地可视化和分析这些数据。例如，可以通过投影检测到的物体的3D边界框到图像上，以获得更准确的物体识别和跟踪。将3D点云投影到2D图像上是通过一个数学变换实现的，该变换将每个3D点的坐标映射到2D图像上的一个点。在建筑和城市规划领域，将3D扫描数据投影到图像上可以帮助工程师和规划师更直观地理解和设计复杂的3D结构。点云数据是三维空间中的点集。其中 (X, Y, Z) 是3D点的坐标，(x’, y’) 是投影到2D图像上的点的坐标。
激光点云投影到图像---实时ros显示
SORI-
04-21 3274
<link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-b5506197d8.css"> <div id="content_views" class="htmledit_views"> <p>彩色点云是对激光雷达点云的每个点赋予其对应的相机图像ＲＧ...
激光SLAM(一):点云基础知识
m0_37604894的博客
07-04 2412
获取360度视野需要转动探头，通常10Hz下运行机械结构复杂，价格昂贵，寿命相对较短（机械旋转的激光雷达的使用寿命一般在几千小时；固态激光雷达的使用寿命可高达10万小时）常用厂商：Velodyne，hesai，速腾，雷神等，常用16线、36线、64线，机器人单线用的较多等。
将三维点云投影到XOZ面上
m0_37957160的博客
01-17 2004
如图左边是原始的三维点云pcd格式，右边是投影到XOZ面上的数据，Y为0. #include <iostream> #include <pcl/filters/project_inliers.h> #include <pcl/io/pcd_io.h> #include <pcl/...
什么是LIDAR（激光雷达），如何标注激光点云数据?
ICEBERG_DATA的博客
06-27 2556
自动驾驶汽车严重依赖输入的训练数据来做出驾驶决策，从逻辑上来说，数据越详细，车辆做出决策就越好，最重要的是更安全。虽然现代相机可以捕捉到非常详细的真实世界特征，但输出结果仍然是2D的，效果并不够理想，因为它限制了我们可以提供给自动驾驶汽车神经网络的信息，这意味着汽车必须学会对3D世界做出猜测。与此同时，相机捕捉信息的能力有限，比如在下雨的时候，相机捕捉到的图像几乎无法辨别，而激光雷达仍然可以捕捉信息。因此，2D相机无法在所有环境下工作，由于自动驾驶汽车是神经网络一个高危应用场景，我们必须确保构建的网络尽可能
点云到图像的投影
huang_victor的博客
03-25 2790
1. 利用lidar和camera之间的外参矩阵，将雷达坐标系下的点投影到相机坐标系下。相机的内参，包含畸变参数，k1-k5;包含cx,cy,fx,fy。2. 利用相机的内参矩阵，把相机坐标系下的点投影到像素平面。外参矩阵是一个4x4的齐次旋转矩阵。
点云算法-点云投影到平面
cangqiongxiaoye的博客
01-14 5096
点云算法-点云投影到平面
(1800 \times×16) 激光雷达点云投影到深度图中买这个times什么意思
05-29
<think>好的，我现在需要解决用户的问题，关于激光雷达点云投影到深度图中的计算公式，特别是(1800×16)这个部分的含义。首先，我得仔细理解用户提供的引用内容，看看有没有相关的信息。 用户提到了几个引用，其中引用[2]提到，对于64线激光雷达，投影图像的高设为64，宽设置为1024，因为水平分辨率是0.35度，计算得出360/0.35≈1028，然后取接近的2的n次幂，即1024。这说明图像宽度和水平分辨率有关，而高度对应激光线数。用户的问题是关于(1800×16)的计算公式。这里的16可能对应激光雷达的线数，比如16线雷达。那1800可能和水平方向的分辨率有关。假设水平旋转一周的点数，比如每圈点数=360度/水平角分辨率。如果1800是水平点数，那么水平角分辨率可能是360/1800=0.2度。但为什么是1800呢？可能用户提到的例子中，使用的是16线雷达，所以高度是16。宽度1800可能对应水平点数，比如水平角分辨率为0.2度，360/0.2=1800。这样，投影后的图像尺寸就是1800×16，每个点代表一个特定的垂直和水平角度下的深度值。另外，引用[4]中的投影公式是将3D坐标转换为2D图像坐标，使用fx,fy,cx,cy这些参数，可能涉及相机模型，但激光雷达的球面投影可能不同。根据引用[1]，球面投影是将点云投影到空心圆柱体，然后展开为平面图像，可能需要将3D点转换为极坐标，即方位角和俯仰角，映射到图像的x和y坐标。所以，计算公式可能涉及将每个点的方位角θ和俯仰角φ转换为图像的行和列。例如，行号由φ决定，对应不同的激光线；列号由θ决定，对应水平角度。图像宽度是水平方向的分点数，即1800，高度是16线，因此尺寸为1800×16。 需要验证这个逻辑是否正确。比如，16线雷达的垂直角分辨率分布不同，每根线有固定的俯仰角，对应图像的行。水平方向每个采样点的角度间隔决定列数，总列数=360/水平分辨率。如果水平分辨率是0.2度，则360/0.2=1800。因此，1800×16的图像每个像素对应一个特定的方位和俯仰角，存储该方向的深度或反射强度等信息。 总结：公式中的1800是水平方向的分辨率决定的列数，16是激光线数对应的行数，因此图像尺寸为1800×16。</think>激光雷达点云投影到深度图时，$1800 \times 16$ 的计算公式主要体现以下核心参数含义： 1. **水平方向分辨率（宽=1800）** 假设激光雷达水平角分辨率为 $\Delta\theta = 0.2^\circ$，则单圈扫描点数： $$\frac{360^\circ}{0.2^\circ} = 1800$$ 每个点对应水平方位角 $\theta$，形成投影图像的列索引[^1]。 2. **垂直方向线数（高=16）** 16线激光雷达的每条激光束对应固定的俯仰角 $\phi$，垂直方向将点云按俯仰角分配到16行，形成投影图像的行索引[^1]。 3. **深度值映射** 每个像素存储对应方向的径向距离： $$r = \sqrt{X^2 + Y^2 + Z^2}$$ 其中 $(X,Y,Z)$ 是点云坐标，$r$ 作为深度值填充到图像矩阵中[^4]。 ```python def spherical_projection(points, horizontal_res=0.2, num_lines=16): width = int(360 / horizontal_res) # 1800 height = num_lines # 16 depth_image = np.zeros((height, width)) for point in points: X, Y, Z = point r = np.sqrt(X**2 + Y**2 + Z**2) theta = np.degrees(np.arctan2(Y, X)) % 360 phi = np.degrees(np.arctan2(Z, np.sqrt(X**2 + Y**2))) # 根据phi匹配到对应的激光线（行号） row = assign_row_by_elevation(phi, num_lines) col = int(theta / horizontal_res) % width depth_image[row, col] = r return depth_image ```
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值