点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
作者丨月照银海似蛟龙
来源丨古月居
安装功能包
实测 ubuntu20.04 本地安装
安装步骤如下：
下载功能包
git clone -c http.sslverify=false https://gitlab.acfr.usyd.edu.au/its/cam_lidar_calibration.git
成功提示:
安装依赖：
sudo apt update && sudo apt-get install -y ros-noetic-pcl-conversions ros-noetic-pcl-ros ros-noetic-tf2-sensor-msgs
成功提示：
安装pandas 和 scipy
pip install pandas scipy
将功能包拷入ros的工作空间，然后编译
catkin_make
不出意外会报错误
仍然是 ubuntu20.04 opencv 的 版本问题
错位解决办法:
打开include文件夹下的 optimise.h文件
将第10行
#include <opencv/cv.hpp>
改为
#include <opencv2/opencv.hpp>
再次编译报错：
CV_REDUCE_SUM 这个变量没定义，opencv3到opencv4切换带来的错误
在 optimise.h文件中加入下面的包含文件
#include<opencv2/core/core_c.h>
编译通过
功能包测试
作者在功能包中放了测试数据，提供测试
roslaunch cam_lidar_calibration run_optimiser.launch import_samples:=true
该程序根据cam_lidar_calibration/data/vlp/文件夹下的pose.csv标定，在该文件夹生成一个标定camera和lidar外参文件
终端输出
每一行则是迭代后的结果
终端输出这个的时候
表示迭代完了
然后获取评估校准结果
终端输出
生成一个雷达投射到图片上的图片
利用功能包标定激光雷达和相机
设置参数
主要修改
cam_lidar_calibration/cfg/camera_info.yaml和
params.yaml
cam_lidar_calibration/cfg/camera_info.yaml 文件设置如下：
distortion_model: "non-fisheye"width: 1440height: 1080D: [-0.106460,0.103712,-0.000019,0.003994]K: [1213.343583,0.0,744.150520,0.0,1217.236982,586.154363,0.0,0.0,1]
设置是：
否为鱼眼相机
像素宽和高
内参矩阵
失真系数
相机的内参标定方法可以参考这篇博客：
params.yaml 文件设置如下：
# Topicscamera_topic: "/camera_array/cam0/image_raw"camera_info: "/camera_array/cam0/camera_info"lidar_topic: "/velodyne_points"
分别是：
相机消息名称
相机信息
激光雷达消息名称
feature_extraction: x_min: -10.0 x_max: 10.0 y_min: -8.0 y_max: 8.0 z_min: -5.0 z_max: 5.0
点云的选取范围，用默认的就是，之后可以在线调
chessboard: pattern_size: height: 14 width: 9 square_length: 11 board_dimension: width: 390 height: 596 translation_error: x: 0 y: 0
标定棋盘的相关参数
和背板的相关参数
距离都是mm为单位
启动相机和激光雷达
启动相机
roslaunch spinnaker_sdk_camera_driver acquisition.launch
启动激光雷达
roslaunch velodyne_pointcloud VLP16_points.launch
启动功能包
开启程序采集表定数据，运行命令：
roslaunch cam_lidar_calibration run_optimiser.launch import_samples:=false
会出现RVIZ和rqt_reconfigure窗口，在RVIZ中panels->display修改相机的话题和激光雷达点云对应的frame_id。
调整rqt_reconfigure /feature_extraction的xyz最大值最小值以使得标定板的点云和周围环境分开，使其仅显示棋盘。
如果棋盘没有完全隔离，可能会影响棋盘的平面拟合，还会导致棋盘尺寸误差较大。下图是过滤点云前后效果：
在过滤周围环境点云后，在rviz中点击Capture sample采集样本，会出线绿色框代表根据点云拟合出来的标定板平面
终端会打印出来添加的样本信息
最好采集10个样本以上，再点击rviz中的optimise进行标定，在优化过程中将会在cam_lidar_calibration/data生成当前时间日期的文件夹，存放采集的图像、点云pcd、位姿，标定后camer和lidar外参文件。
终端输出开始校准：
校准结束后输出：
评估参数和重投影误差：
roslaunch cam_lidar_calibration assess_results.launch csv:="$(rospack find cam_lidar_calibration)/data/-09-06_14-48-42/calibration_-09-06_15-13-07.csv" visualise:=true
注意这里默认加载第16个图像，如果没有那么大的标定样本，要修改launch文件中的加载序列
出现重投影效果图像
终端出现标定参数和重投影误差
本文仅做学术分享，如有侵权，请联系删文。
干货下载与学习
后台回复：巴塞罗那自治大学课件，即可下载国外大学沉淀数年3D Vison精品课件
后台回复：计算机视觉书籍，即可下载3D视觉领域经典书籍pdf
后台回复：3D视觉课程，即可学习3D视觉领域精品课程
3D视觉工坊精品课程官网：
1.面向自动驾驶领域的多传感器数据融合技术
2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
9.从零搭建一套结构光3D重建系统[理论+源码+实践]
10.单目深度估计方法：算法梳理与代码实现
11.自动驾驶中的深度学习模型部署实战
12.相机模型与标定(单目+双目+鱼眼）
13.重磅！四旋翼飞行器：算法与实战
14.ROS2从入门到精通：理论与实战
15.国内首个3D缺陷检测教程：理论、源码与实战
16.基于Open3D的点云处理入门与实战教程
17.透彻理解视觉ORB-SLAM3：理论基础+代码解析+算法改进
重磅！3DCVer-学术论文写作投稿交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉+ 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿，加微信：dddvision
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近6000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~
