计算机视觉life”，选择“星标”
快速获得最新干货
Github同步更新：https://github.com/Deephome/Awesome-LiDAR-Camera-Calibration1. targe t-based方法
一般就是使用标定板，可以是一块普通的矩形板，可以添加视觉效果（比如棋盘格，ArUco)，可以在矩形板上镂空出特定形状。
1.0 CamLaserCalibraTool (2004c)
主要参考了华盛顿大学2004年的论文，旷视提供了开源实现和博客解读。2D激光雷达和相机标定。主要利用点到平面和边缘的约束。详情见 旷视的博客和开源：
1）github：https://github.com/MegviiRobot/CamLaserCalibraTool
2）博客：标定系列三 | 实践之Camera-Lidar标定（https://zhuanlan.zhihu.com/p/137501892）
3）参考论文：Extrinsic Calibration of a Camera and Laser Range Finder (improves camera calibration)（http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.80.7118&rep=rep1&type=pdf）
1.1 LCCT (2005m)
来自CMU Robotics Institute, 已知最早3D Laser与相机标定的工作（2005年），基于 matlab的图形用户界面，进行激光雷达相机外参标定。
target-based方法，使用标定板，采集多个点云图像对，在点云对应的深度图(range image)上 框选标定板平面区域，即可求解外参（两阶段）。
第一阶段，分别最小化 两个坐标系中相机中心到平面距离和平面法向量的差异，依次线性求解平移和旋转；第二阶段，最小化 point-to-plane距离，迭代求解。
官方 站：http://www.cs.cmu.edu/~ranjith/lcct.html
参考论文：2005_Fast Extrinsic Calibration of a Laser Rangefinder to a Camera
1.2 cam_lidar_calib (2010c)
来自密歇根大学，ROS / C++实现。
使用checkerboard,最少需要3个视图。自动提取特征，图像中提取checkerboard在相机坐标系中的法向量和距相机原点的距离，点云中提取checkerboard的平面点。
Github开源：https://link.zhihu.com/?target=https%3A//github.com/SubMishMar/cam_lidar_calib
参考论文:http://robots.engin.umich.edu/publications/gpandey-2010a.pdf
1.3 lidar_camera_calibration (2017c)
来自印度IIIT Robotics Research Lab，ROS package (C++)实现, 介绍了两种方法。第一种方法是基于 2D-3D correspondence，采用 中空矩形纸板作为目标，在 图像上手动标记角点2D像素，在点云中手动框选线段，利用直线相交求解3D角点，然后利用PnP+ransac求解外参。缺点是手动标记像素点，误差较大。
第二种方法是基于 3D-3D correspondence，与方法一主要区别是图像中特征的提取。通过采用 ArUco二维码，可直接计算出角点在相机坐标系的3D坐标，然后利用 ICP求解外参。
github开源：github.com/ankitdhall/l
参考论文：LiDAR-Camera Calibration using 3D-3D Point correspondences (2017)（https://arxiv.org/pdf/1705.09785v1.pdf）
1.4 ILCC (2017p)
来自日本名古屋大学Nagoya University，python实现。完整流程如下：
该方法的3D角点提取方式比较独特。基于点云反射强度和chessboard颜色模式的相关性， 利用一个chessboard model来拟合（匹配）分割的点云，从而利用chessboard model的角点位置表示chessboard点云中角点位置。
github开源：https://github.com/mfxox/ILCC
参考论文：2017_Remot Sensing_Reflectance Intensity Assisted Automatic and Accurate Extrinsic Calibration of 3D LiDAR and Panoramic Camera Using a Printed Chessboard（https://arxiv.org/pdf/1708.05514.pdf）
1.5 plycal (2018c)
来自HKUST，C++实现。
采用要给 矩形板作为target。首先对激光雷达和相机时间同步，图像纠正。全自动地在图像中提取矩形板角点和边缘，在点云中提取矩形板的边缘和平面点。矩形特征2D-3D匹配。采用 point-to-line和 point-inside-polygon约束进行优化。
github开源：https://github.com/ram-lab/plycal
参考论文：2018_ROBIO_Extrinsic Calibration of Lidar and Camera with Polygon
1.6 Matlab Lidar Toolbox (2018m)
target-based方法，使用了chessboard, 理论上采集一个pose就可以求解。特征提取分别 自动提取chessboard在相机和激光雷达坐标系的平面和边缘信息，利用line correspondence (direction constraint + point to line constraint)和 plane correspondence (normal constraint + point to plane constraint)进行标定。
官方文档：https://ww2.mathworks.cn/help/lidar/ug/lidar-and-camera-calibration.html
参考论文：Lipu Zhou and Zimo Li and Michael Kaess, “Automatic Extrinsic Calibration of a Camera and a 3D LiDAR using Line and Plane Correspondences”, “IEEE/RSJ Intl. Conf. on Intelligent Robots and Systems, IROS”, Oct, 2018.
csdn博客：MATLAB终于可以完成相机与激光雷达的标定啦！！(包含matlab2020下载链接)
只能使用matlab的lidar toolbox,看不到源代码
该方法与plycal(2018c)的标定板点云特征提取方法类似。
1.7 extrinsic_lidar_camera_calibration （2020m）
来自 Robotics Institute, University of Michigan。matlab实现。
主要创新点是标定板点云的角点估计方法。假设在lidar原点有一个大小已知的参考标定板（reference target），希望标定板点云通过H变换后，与这个参考标定板尽量重合。优化求解H，将参考标定板角点反变换，即可得到点云中的角点位置。
之前方法采用先拟合边缘再直线相交的思路，只利用了边缘点，受点云深度测量误差影响，最后提取的四个角点可能与target真实几何不兼容。该方法的角点估计考虑了所有点，估计的四个角点也是与真实target形状兼容。
该方法与ILCC(2017p)方法类似，都是通过与一个参考的标定板拟合，从而对标定板点云参数化建模，求得角点。只是ILCC利用了点云反射强度，本方法只利用点云几何信息。
github开源：https://github.com/UMich-BipedLab/extrinsic_lidar_camera_calibration
该开源代码也实现了Matlab Lidar Toolbox (2018m)参考论文中点云边缘提取的方法：1）先ransac拟合平面，2),找到每条scanline的端点（边缘点），3）将标定板点云投影到拟合平面，4）拟合每条scan line, 5)将边缘点投影到拟合的scan line, 6)用ransac拟合边缘，去除边缘点粗差
参考论文：2020_IEEE access_Improvements to Target-Based 3D LiDAR to Camera Calibration
1.8 livox_camera_lidar_calibration（2020c）
Livox官方提供的Lidar-Camera标定代码，图像和点云都是手动标点。 github开源: https://github.com/Livox-SDK/livox_camera_lidar_calibration
1.9 ACSC (2020p)
来自北航，python实现，针对固态激光雷达Livox.
提出多帧点云集成精化算法(temporal-spatial-based geometric feature refinement)和基于反射强度分布的角点估计方法(reflectance intensity distribution-based 3D corner estimation )。自动提取2D和3D角点，然后用基于Ransac的PnP求解。
github开源:https://github.com/HViktorTsoi/ACSC
参考论文：ACSC: Automatic Calibration for Non-repetitive Scanning Solid-State LiDAR and Camera Systems
1.10 velo2cam_calibration （2021c）
来自 Intelligent Systems Lab (LSI), Universidad Carlos III de Madrid, Leganes, ROS + C++实现。可以将激光雷达、单目相机、立体相机进行任意成对标定。需要比较特殊的标定板：
github开源：https://github.com/beltransen/velo2cam_calibration
参考论文：Beltrán, J., Guindel, C., and García, F. (2021). Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups. arXiv:2101.04431 [cs.RO]. Submitted to IEEE Transactions on Intelligent Transportation Systems.
1.11 autoware
采用标定板的方法 (calibration_tookit， autoware1.10之后没有)
github: https://github.com/XidianLemon/calibration_camera_lidar
博客: 无人驾驶汽车系统入门（二十二）——使用Autoware实践激光雷达与摄像机组合标定、Autoware calibration toolkit激光雷达与相机外参联合标定
直接手动选点的方法 ：https://dlonng.com/posts/autoware-calibr-1
最新版只有autoware_camera_lidar_calibrator， 直接手动选点的方法，在下文介绍。
使用标定板结果更准确一些，但是操作不方便。1）需要手动grab多个关键帧，2)使用glviewer显示点云，不好调整视角，3）需要手动选择平面点云
2 targetless方法 2.1 apollo
是基于自然场景的 targetless方法，不需要手动标记，但是需要 较准确初值。
（一个比较好的标定场景，包含路灯，树木，道路等物体）
注意：核心代码没有开源
github文档: https://github.com/ApolloAuto/apollo/blob/master/docs/quickstart/apollo_2_0_sensor_calibration_guide.md
csdn博客: 激光雷达和相机的联合标定（Camera-LiDAR Calibration）之apollo
2.2 autoware
没有target,但是需要手动标记图像和点云中的对应点，至少选择9对。
github文档： https://github.com/Autoware-AI/utilities/tree/master/autoware_camera_lidar_calibrator
csdn博客： 激光雷达和相机的联合标定（Camera-LiDAR Calibration）之Autoware
2.3 ExtrinsicCalib （2012c）
先将图像进行灰度化和直方图均衡化，得到灰度图像，然后根据点云的反射强度和法向量特征将点云投影为图像，使用标准化互信息衡量灰度图像和点云生成图像之间相关性。使用粒子群优化算法不断改变外参，直到粒子收敛，达到标准化互信息的最大值。
论文：2012_Automatic Targetless Extrinsic Calibration of a 3D Lidar and Camera by Maximizing Mutual Information
官 ：（包含代码，数据）http://robots.engin.umich.edu/SoftwareData/ExtrinsicCalib
局限性：对于图像，光照会影响像素亮度，且存在阴影问题；点云强度则不同，由于激光是主动式。因此，利用多视图数据，可以尽量避免光照、阴影造成的噪声，使误差函数相对平滑，便于优化。
2.3 CamVox (2020c)
来自南方科技大学。图像先灰度化再提取边缘，点云先分别得到反射强度图和深度图，再提取边缘。通过ICP优化，求解最佳外参。
github:https://github.com/xuankuzcr/CamVox
论文：VCamVox: A Low-cost and Accurate Lidar-assisted Visual SLAM System
2.4 livox camera calib （2020c）
来自香港大学。分别提取点云和图像中的边缘特征，然后匹配特征，最后优化求解最佳外参来更好地对齐点云边缘和图像边缘。
论文：Pixel-level Extrinsic Self Calibration of High Resolution LiDAR and Camera in Targetless Environments
Github:https://github.com/hku-mars/livox_camera_calib
论文详细解读请参考：
博客：【LCC系列】不用标定目标，实现高分辨率激光雷达和相机的像素级自标定
场景选择：避免圆柱物体，避免纹理过多（树木，花草等），边缘均匀分布，多个方向的边缘 Issue with finding depth-continuous regions （github）（https://github.com/hku-mars/livox_camera_calib/issues/4）
独家重磅课程！
1、 重磅来袭！基于LiDAR的多传感器融合SLAM 系列教程：LOAM、LeGO-LOAM、LIO-SAM
2、系统全面的相机标定课程： 单目/鱼眼/双目/阵列 相机标定：原理与实战
3、视觉SLAM必备基础课程： 视觉SLAM必学基础：ORB-SLAM2源码详解
4、深度学习三维重建课程： 基于深度学习的三维重建学习路线
5、激光定位+建图课程： 激光SLAM怎么学？手把手教你Cartographer从入门到精通！
6、视觉+IMU定位课程 视觉惯性里程计58讲教程全部上线！IMU预积分/残差雅克比推导、边缘化约束、滑窗BA！
7、手把手图像三维重建课程： 系统学三维重建42讲全部上线！掌握稠密匹配、点云融合、 格重建、纹理贴图！
全国最棒的SLAM、三维视觉学习 区↓
技术交流微信群
投稿、合作也欢迎联系：simiter@126.com
扫描关注视频 ，看最新技术落地及开源方案视频秀 ↓
— 版权声明 —
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！