livox-相机外参标定

已于 2023-06-30 11:46:30 修改
阅读量701 收藏 12
点赞数
文章标签： 数码相机 计算机视觉 人工智能
于 2023-05-07 17:27:46 首次发布
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。
本文链接：https://blog.youkuaiyun.com/scjdas/article/details/130545070
版权

相机内参标定

此处使用camera_calibration标定

具体参数介绍及使用可以通过rosrun camera_calibration cameracalibrator.py -h查看

rosrun camera_calibration cameracalibrator.py --size 13x11 --pattern=chessboard --square=0.05 image:=galaxy_camera/image_raw --camera_name=galaxy_8mm

其他相机标定工具

    kailbr
    PTAM Calibration ( ATAN / FOV camera model )
    OCamCalib toolbox
    Camera Calibration & Rectification

livo-相机外参标定

此处使用香港大学火星实验室（hku-mars）提供的livox-camera-calib标定工具标定

ros包安装

此前还需要安装livox_ros_driver（livox激光雷达ros驱动）和livox_SDK（livox开发工具），此处略去。

github地址：livox-camera-calib

录制激光雷达数据

由于livox 固态激光雷达可以设置非重复扫描，使得在静止状态下点云能够覆盖整个视野中的场景。

根据论文中说明，此处录制20s静止点云数据bag包

 rosbag record /livox/lidar -O livox_calib.bag

然后使用livox-camera-calib提供的工具将rosbag包转为pcd文件（需修改launch文件和config文件中的路径）

roslaunch livox_camera_calib bag_to_pcd.launch

相机数据录制

仅需要保存一张相机图片。可以通过rqt工具箱直接保存。

 标定

首先修改launch文件和config文件中的路径，

其中config文件夹下的outdoor.yaml和indoor.yaml的主要区别在

Voxel.size:的大小，室内为0.5，室外为1，指的是点云进行面拟合的体素立方体块长度

接着运行

roslaunch livox_camera_calib calib.launch

 其他激光雷达-相机标定工具

livox官方提供的标定方法

scjdas
关注
livox_camera_calib标定包的使用技巧
z1872385的博客
05-30 1932
正确的理解： livox_camera_calib可以用于各种形式的雷达，只是操作方式不同。livox_camera_calib包内需要传入的数据只有两个 初始位姿下的图像， 图像对应位置的PCD地图。1、 livox_camera_calib可以在无标定板的情况下对雷达和激光的外参进行标定。2、标定精度受到环境纹理的影响，如果图像中有大量的和边缘平行的纹理，则会干扰特征匹配。不管是多线的旋转雷达还是比较稀疏livox-mid360，都可以通过先建立地图保存成pcd的方式来使用标定包。
r3live 使用前提 雷达-相机外参标定 livox_camera_lidar_calibration
z1872385的博客
04-13 1753
港科大livox_camera_calib虽然操作方便，但是使用mid360雷达会有视角问题（投影三维点到相机），尝试了很多场景，标定效果都不理想（推荐场景是楼梯间），看来港大的更适合avia之类窄角度的雷达。如果标定效果不好的话，就使用 getExt２节点，getExt1节点只优化外参，而getExt2节点在计算的时候会将一开始计算的内参作为初值和外参一起优化。一般使用getExt1节点即可，如果在外参初值验证过，并且异常值已经剔除后，优化还是有较大的残差，那么可以使用getExt2试一试。
Livox_automatic_calibration 多Mid-360激光雷达标定
m0_49384824的博客
09-24 1296
多激光雷达标定multi_LiDAR_calibration 多激光雷达外参自动标定算法开源 激光感知算法--多激光雷达的静态标定
摄相机标定的基本原理
m0_61595251的博客
03-05 1238
内参：就像相机的“眼睛”。它描述了相机内部的特性，比如焦距（镜头的放大能力）、主点位置（图像中心）等。简单说，这些参数决定了相机如何把外界景物映射到图像上。外参：可以看作相机在“房间”里的位置和朝向。它描述了相机相对于实际世界（例如房间、街道）的摆放位置和角度，告诉我们相机看世界的角度和方向。畸变参数：就像眼镜的“矫正”作用。由于相机镜头的设计缺陷，拍出来的图像会有些弯曲或失真（比如直线看起来弯曲）。畸变参数就是用来校正这种失真，使图像更接近真实场景。
2、单目相机外参标定（camera_calibration_external）
kobebrian7的专栏
03-18 1万+
*外参标定即为相机坐标系和系统世界坐标系关系的旋转和平移矩阵；可以简化理解为一个3*3的矩阵 ImgPath := '3d_machine_vision/calib/' dev_close_window () dev_open_window (0, 0, 652, 494, 'black', WindowHandle) dev_update_off () dev_set_draw ('m
相机和livox激光雷达外参标定
3D视觉工坊
09-24 2581
来源丨古月居功能包介绍该功能包提供了一个手动校准Livox雷达和相机之间外参的方法，已经在Mid-40，Horizon和Tele-15上进行了验证。其中包含了计算相机内参，获得标定数据，优化计算外参和雷达相机融合应用相关的代码。本方案中使用了标定板角点作为标定目标物，由于Livox雷达非重复性扫描的特点，点云的密度较大，比较易于找到雷达点云中角点的准确位置。相机雷达的标定和融合也可以得到不错的结果...
相机的内外参与相机标定
热门推荐
Matrix-11
11-04 1万+
相机的内外参与相机标定 我们所生活的现实世界是一个三维的世界，人类生活期间，已经能够熟练地估计周围物体的深度及定位，但是，现在的照相机一般都只能拍摄二维图像，场景从三维变到二维的时候，一个最重要的信息，深度，就丢失了，在只是为了观赏的时候，一个二维的图像也是足够的，如果想做导航，定位及其它3D 重建等应用的时候，这个深度信息及物体之间的相对关系，距离就显得很重要了，如何从二维图像，估计出真实的三维世界，也是计算机视觉一个比较重要的任务，由此发展出多视几何，计算几何等学科。 相机的内外参估计，是几何测量的基础
livox_lidar_camera_calibration学习--标定外参验证
qq_38650944的博客
04-12 5312
相机与激光雷达标定外参的验证
相机外参自动标定简单思路
m0_69209996的博客
12-10 1728
摘要：视觉识别、代码控制机械臂；通过杨师兄的帮助，简单的提供了实验室自动标定的一些思路，后续如果要完善可以继续在这个基础上更改。
摄像机标定matlab代码-livox_camera_lidar_calibration:校准LivoxLiDAR和相机之间的外部参数
05-20
摄像机标定matlab代码 Camera-LiDAR校准手册 该解决方案提供了一种手动校准Livox LiDAR与摄像机之间的外部参数的方法，该方法已在Mid-40，Horizo​​n和Tele-15系列上得到验证。 它包括相机固有参数的校准，校准数据...
R3LIVE源码解析(11) — livox_camera_calib标定论文翻译
几度春风里的博客
09-09 1022
在本文中，我们提出了一种新颖的方法，用于在无目标环境中自动外部标定高分辨率激光雷达和RGB相机。我们的方法不需要棋盘格，但可以通过对两个传感器中的自然边缘特征进行对齐，实现像素级的精度。在理论层面上，我们分析了边缘特征所施加的约束以及与场景中边缘分布相关的标定精度的敏感性。在实施层面上，我们仔细研究了激光雷达的物理测量原理，并提出了一种基于点云体素分割和平面拟合的高效准确的激光雷达边缘提取方法。由于自然场景中边缘的丰富性，我们在许多室内和室外场景中进行了实验。
livox_camera_calib：此存储库用于在无目标场景中在高分辨率LiDAR和相机之间进行自动校准
03-03
livox_camera_calib livox_camera_calib是无目标环境中高分辨率LiDAR（例如Livox）和相机之间的可靠，高精度的外部校准工具。 我们的算法可以在室内和室外场景中运行，并且仅需要场景中的边缘信息。 如果场景合适，我们可以达到类似于或什至超越基于目标的方法的像素级精度。 室外校准方案的示例。 我们使用校准的外部图像对点云进行着色，并与实际图像进行比较。 A和C是点云的局部放大视图。 B和D是相机图像中与A和C中的点云相对应的部分。 源代码将很快发布。 相关论文 可在arxiv上找到的相关论文： 相关影片 相关视频： :
相机标定-内外参数 原理
09-19
文档对相机标定中的内部参数和外部参数进行了详细解释； 相机标定：4个坐标系之间的转换，参数解释，畸变矫正公式。
MARS相机雷达外参标定livox_camera_calib
skyufooo的博客
08-13 745
因为eigen3 被默认安装到了usr/local/include里了（或者是usr/include里，这两个都差不多，都是系统默认的路径），在很多程序中include时经常使用#include <Eigen/Dense>而不是使用#include <eigen3/Eigen/Dense>所以要将Eigen提取到上一层目录，否则一些程序在编译时会因找不到Eigen/Dense而报错。修改lidar_camera_calib.cpp和lidar_camera_multi_calib.cpp。
【机器视觉2】单目相机内外参数标定
weixin_43387635的博客
05-16 1559
标定相机内外参数需要获取场景和图像间多个坐标对。场景坐标点直接从标定参照物获取，图像坐标点从图像中获取。二维参照物标定法：定位简单，标定受环境约束较小，由于近年来非线性优化方法不断发展，二维标定参照物的移动不受约束的情况下，可以通过多幅图像标定出摄像机的全部参数，这种方法主要以张正友标定法为代表。三维参照物标定法：适合高精度的标定，但其成本更高，测量与制作相对复杂得多。
相机标定与内外参
cy413026的博客
10-06 6798
1.相机标定 在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立相机成像的几何模型，这些几何模型参数就是相机参数。这个求解参数的过程就称之为相机标定（或摄像机标定） 换个说法就是相机标定的意义是为了将图像中的点能够还原到真实三维空间中，真实的反应各点之间的实际相对空间关系。 现实三维空间的某点映射到最终的像素空间和以下多个条件相关。 1.三维空间点和相机镜头的位置关系或者说运动关系 这里...
【相机与图像】2. 相机内外参的标定的代码示例
magic_ll的博客
08-12 1507
3D的点的生成：在每张图片上，共存在11*8个角点存在。每张图存在自己的世界坐标系，是以右上角（长边为底边）为3D坐标原点，所以在代码中需要生成一个shape=(11*8,3) 的numpy数组。存放着世界坐标系中的棋盘格点,例如(0,0,0), (1,0,0), (2,0,0) …使用将要标定的摄像头，以不同的角度采集棋盘格，要保证视野内出现完整的棋盘格。图片上的2D角点检测：该工作在opencv提供了对应的api直接调用即可，对应api为。摄像头捕获的用于标定的图片。2 摄像头外参的标定。
python使用opencv实现相机外参标定
u012803927的博客
08-25 2126
我们在根据相机拍摄的图像，计算世界坐标，指引机器人执行各种操作。前提是需要知道相机的内外参数，这篇文章主要是讲解python使用opencv实现相机外参标定的代码，如果想了解更详细的原理，可以参考其他的文章。
【传感器标定】相机与雷达外参标定（理论与代码）
感知算法
08-04 2704
1、相机外参标定需要提前已知相机内参，相机内参标定这里不细谈, 推荐一篇博客计算机视觉（相机标定；内参；外参；畸变系数2、外参标定转化数学问题：计算一个三维坐标系到另一个三维坐标系的旋转与平移。3、标定方案参考论文地址。实际标定对比，此方法精度高、操作方便。4、标靶：贴一张虚拟的标靶图片：（实际标靶要根据需求自行制作）
相机livox雷达联合标定
最新发布
03-18
<think>好的，用户需要查找关于相机与Livox雷达联合标定的方法和教程。首先，我得先理解用户的具体需求。他们可能是在进行多传感器融合的项目，比如自动驾驶或机器人导航，需要将相机和激光雷达的数据进行空间对齐，以便后续的处理和融合。 接下来，我要回忆一下之前提供的引用内容。引用1、2、4提到了Basler相机和Livox Avia的联合标定，以及海康威视相机与Livox雷达的标定方法。引用3主要讲的是单目相机的标定，但联合标定可能也需要先进行内参标定。所以，用户的问题应该分为两个部分：相机内参标定和相机-雷达的外参标定。 首先，相机内参标定是基础，必须确保相机自身的参数准确。引用3详细介绍了使用ROS的camera_calibration包进行单目标定的步骤，包括安装包、制作棋盘格标定板、采集图像和运行标定程序。用户需要先完成这一步，才能进行后续的联合标定。 然后是联合标定部分。引用1、2、4提到了不同的方法。比如引用1和4提到了使用ROS下的livox_camera_calib功能包，通过特定的launch文件启动标定流程，可能需要调整配置文件中的路径和参数。引用2提到了在R3LIVE框架下的应用，这可能涉及到在线标定或实时建图中的标定优化。 用户可能遇到的问题包括：如何准备标定数据，需要什么样的标定板（比如棋盘格或AprilTag），标定时的数据采集注意事项，以及如何处理标定结果。此外，标定过程中可能需要同时获取相机图像和雷达点云，确保时间同步和空间上的对应关系。 还需要考虑用户使用的硬件和软件环境，比如是否使用Ubuntu和ROS，具体的版本是否兼容。例如引用1提到的是ROS-noetic，而引用3的安装命令也涉及ROS版本。如果用户的环境不同，可能需要调整安装步骤。 另外，标定的精度评估也很重要。用户可能需要了解如何验证标定结果的有效性，比如通过重投影误差或点云与图像的配准效果。可能还需要后期优化，比如在SLAM系统中在线优化外参。 最后，用户可能需要具体的操作步骤，比如如何启动标定程序，修改哪些配置文件，数据采集的频率和场景等。需要将这些步骤整理成清晰的流程，并提示注意事项，比如标定板的大小、光照条件、运动模式等，以确保标定效果准确可靠。 总结下来，回答应该分为内参标定、联合标定步骤、标定工具和代码、注意事项、应用与优化几个部分，引用相关的资料，并给出可能的扩展问题，帮助用户深入理解。</think>### 相机与Livox雷达联合标定方法详解 #### **1. 标定准备工作** - **硬件环境**：需同步采集相机图像和Livox雷达点云数据，确保时间戳对齐。建议使用ROS（Robot Operating System）管理多传感器数据流[^1][^4]。 - **软件依赖**：安装ROS（如Noetic版本）、相机驱动（如Basler或海康威视）、Livox ROS驱动，以及标定工具包（如`livox_camera_calib`）[^3][^4]。 - **标定板选择**：通常使用棋盘格（Chessboard）或AprilTag，需提前打印并固定标定板。 #### **2. 相机内参标定** 标定相机内参是联合标定的前提。通过ROS的`camera_calibration`包实现： ```bash # 安装标定工具 sudo apt install ros-$ROS_DISTRO-camera-calibration # 启动标定程序（需连接相机） rosrun camera_calibration cameracalibrator.py --size 8x6 --square 0.024 image:=/camera/image_raw ``` 标定过程中需多角度移动棋盘格，直至进度条填满后点击“CALIBRATE”，保存生成的`yaml`文件[^3]。 #### **3. 相机-Livox雷达联合外参标定** ##### **步骤1：数据采集** - 同时录制相机图像和雷达点云数据（建议使用`rosbag`录制）。 - 标定板需在相机和雷达视野内清晰可见，并保持静止或缓慢运动[^4]。 ##### **步骤2：配置标定参数** 修改标定包的配置文件（如`calib.yaml`），指定相机内参路径、数据路径和标定板参数： ```yaml camera_intrinsic: "camera_info.yaml" lidar_topic: "/livox/points" image_topic: "/camera/image_raw" chessboard_size: [8, 6] # 棋盘格角点数 square_size: 0.024 # 单个格子边长（米） ``` ##### **步骤3：启动联合标定** 使用`livox_camera_calib`工具包进行标定： ```bash roslaunch livox_camera_calib calib.launch ``` 程序将自动提取标定板的角点和对应点云，通过优化算法计算相机与雷达的外参矩阵$T_{cam}^{lidar}$（包含旋转$R$和平移$t$）。 ##### **步骤4：验证标定结果** - **重投影误差**：将雷达点云投影到图像平面，观察与标定板角点的对齐程度。 - **在线验证**：在SLAM系统（如R3LIVE）中加载标定结果，评估建图一致性[^2]。 #### **4. 标定工具与代码** - **开源工具**： - `livox_camera_calib`：专为Livox雷达设计的标定工具。 - `ROS camera_calibration`：通用相机标定工具。 - **代码示例**（标定数据提取）： ```python # 提取棋盘格角点 import cv2 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, (8,6), None) if ret: corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) ``` #### **5. 注意事项** - **光照条件**：避免反光或过暗环境，确保标定板清晰可见。 - **运动模式**：数据采集时标定板需覆盖相机和雷达的视野范围。 - **时间同步**：使用硬件触发或软件同步（如ROS的`message_filters`）减少时间偏差。 #### **6. 应用与优化** - **在线标定**：在SLAM系统中实时优化外参（如R3LIVE通过特征匹配动态调整）[^2]。 - **多传感器融合**：标定结果可用于激光-视觉融合定位、三维重建等场景。 --- ###
评论
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