激光雷达-相机标定工具：支持普通相机和鱼眼相机的交互式标定

在这里插入图片描述

前言

在自动驾驶、机器人导航等领域，激光雷达和相机的标定是一个基础而重要的问题。准确的标定结果直接影响后续的感知算法性能。本文将介绍一个开源的激光雷达-相机标定工具，支持普通针孔相机和鱼眼相机，并提供交互式GUI界面进行实时参数调整。

项目介绍

功能特性

✅ 支持普通针孔相机标定
✅ 支持鱼眼相机标定
✅ 实时可视化激光雷达点云投影
✅ 交互式参数调整
✅ 支持距离和强度两种显示模式
✅ 重叠点过滤功能
✅ 自动保存标定结果

技术栈

OpenCV 4.x: 图像处理和相机校正
PCL: 点云处理
Pangolin: GUI界面
Eigen3: 矩阵运算
CMake: 构建系统

安装和使用

1. 环境准备

首先确保系统已安装必要的依赖：

# Ubuntu/Debian系统
sudo apt-get update
sudo apt-get install libopencv-dev libpcl-dev libeigen3-dev libpangolin-dev cmake build-essential

2. 克隆项目

git clone https://github.com/Guoc0529/ZJU_lidar_camera_calib.git
cd ZJU_lidar_camera_calib

3. 编译项目

mkdir -p build && cd build
cmake .. && make

4. 运行标定

方法一：使用便捷脚本（推荐）

# 使用默认参数（普通相机）
./run_calib.sh# 指定相机类型
./run_calib.sh normal
./run_calib.sh fisheye# 指定所有参数
./run_calib.sh normal /path/to/image.jpg /path/to/cloud.pcd /path/to/intrinsic.json /path/to/extrinsic.json

方法二：直接运行程序

./bin/run_lidar2camera <图像路径> <点云路径> <内参JSON> <外参JSON> <相机类型>

数据格式要求

图像文件

支持常见的图像格式：.jpg, .png, .bmp 等

点云文件

支持PCL库支持的格式：.pcd, .ply 等

内参JSON文件格式

{"camera_name": {"param": {"cam_K": {"data": [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]},"cam_dist": {"data": [[k1, k2, p1, p2]],"cols": 4}}}
}

外参JSON文件格式

{"sensor_name": {"param": {"sensor_calib": {"data": [[r11, r12, r13, tx], [r21, r22, r23, ty], [r31, r32, r33, tz], [0, 0, 0, 1]]}}}
}

交互式标定界面

程序启动后会显示一个GUI界面，包含以下控制选项：

显示控制

Intensity Color: 切换距离/强度显示模式
Overlap Filter: 启用/禁用重叠点过滤
Point Size: 调整点云显示大小

标定参数调整

deg step: 角度调整步长
t step(cm): 平移调整步长
fxfy scale: 焦距调整比例

外参调整按钮

+/- x degree: 调整X轴旋转
+/- y degree: 调整Y轴旋转
+/- z degree: 调整Z轴旋转
+/- x trans: 调整X轴平移
+/- y trans: 调整Y轴平移
+/- z trans: 调整Z轴平移

内参调整按钮

+/- fx: 调整焦距fx
+/- fy: 调整焦距fy

其他功能

Reset: 重置所有参数到初始值
Save Image: 保存当前标定结果

键盘快捷键

q: 退出程序
w/s: 调整Y轴平移
a/d: 调整X轴平移
z/c: 调整Z轴平移
r/f: 调整X轴旋转
t/g: 调整Y轴旋转
y/h: 调整Z轴旋转

相机类型选择

普通相机 (normal)

使用 cv::initUndistortRectifyMap() 进行校正
适用于针孔相机模型
畸变参数：k1, k2, p1, p2

鱼眼相机 (fisheye)

使用 cv::fisheye::initUndistortRectifyMap() 进行校正
适用于鱼眼相机模型
畸变参数：k1, k2, k3, k4

标定结果

程序会生成 calibration_X.txt 文件，包含：

外参矩阵

R: 旋转矩阵 (3x3)
t: 平移向量 (3x1)

内参矩阵

K: 相机内参矩阵 (3x3)

JSON格式

Extrinsic: [R11,R12,R13,tx],[R21,R22,R23,ty],[R31,R32,R33,tz],[0,0,0,1]
Intrinsic: [fx,0,cx],[0,fy,cy],[0,0,1]
Distortion: [k1,k2,p1,p2]

使用示例

示例1：普通相机标定

# 使用项目提供的示例数据
./run_calib.sh normal# 使用自定义数据
./run_calib.sh normal /path/to/image.jpg /path/to/cloud.pcd /path/to/intrinsic.json /path/to/extrinsic.json

示例2：鱼眼相机标定

# 使用鱼眼相机模式
./run_calib.sh fisheye /path/to/image.jpg /path/to/cloud.pcd /path/to/intrinsic.json /path/to/extrinsic.json

标定技巧

1. 数据准备

确保图像和点云是同步采集的
选择特征丰富的场景（如建筑物、道路标线等）
避免纯色或纹理单一的区域

2. 初始参数设置

提供合理的初始外参可以提高标定效率
可以通过CAD图纸或粗略测量获得初始值
内参通常可以从相机标定工具获得

3. 标定过程

先调整大致的旋转和平移
再微调内参（如果需要）
最后进行精细调整
保存多个版本的结果进行对比

4. 验证标定结果

检查点云投影是否与图像特征对齐
在不同距离和角度验证标定精度
使用标定板进行定量评估

常见问题

Q1: 编译时出现依赖库错误

A: 确保安装了所有必要的依赖库：

sudo apt-get install libopencv-dev libpcl-dev libeigen3-dev libpangolin-dev

Q2: 运行时点云不显示

A: 检查以下几点：

外参是否合理
点云是否在相机视野范围内
ROI设置是否合适

Q3: 标定精度不够

A: 尝试以下方法：

使用更多角度的数据
调整初始参数
选择特征更丰富的场景

Q4: 鱼眼相机校正效果不好

A: 确保：

选择了正确的相机类型（fisheye）
畸变参数格式正确
畸变参数数量匹配

项目结构

ZJU_lidar_camera_calib/
├── src/                    # 源代码
│   └── run_lidar2camera.cpp
├── include/                # 头文件
│   ├── projector_lidar.hpp
│   ├── intrinsic_param.hpp
│   └── extrinsic_param.hpp
├── data/                   # 示例数据
├── example_data/           # 示例数据
├── CMakeLists.txt         # CMake配置
├── run_calib.sh           # 便捷运行脚本
├── test_fisheye_calib.sh  # 测试脚本
└── README.md              # 项目文档