多固态激光雷达标定方法、装置、设备及存储介质

技术领域

本发明涉及激光雷达技术领域，尤其涉及到一种多固态激光雷达标定方法、装置、设备及存储介质。

背景技术

固态激光雷达具有分辨率高、价格低、体积小等一系列优点，已逐渐应用到障碍物检测、机器人同时定位与建图、电力巡检、三维重建等多个技术领域。单个固态激光雷达视角狭窄,难以保证无人装备的安全运行。为了克服固态激光雷达视场较小的缺点，通常采用多个固态激光雷达组合的方式实现宽视场角的感知。然而，多个固态激光雷达分布在不同位置，各自的坐标系不一致，而雷达数据通常需要放在同一坐标系下处理，因此固态激光雷达的外参标定成为必不可少的一步，标定的准确性直接影响到后续数据处理的准确性。

现有一种方案提出一种高效的点云配准算法进行固态激光雷达间的标定，该方法不需要制作特定的标定靶，也不需要额外的传感器就可以获得较好的标定效果。该方法融合了3D-HARRIS关键点检测算法与方向直方图签名(SHOT)特征描述子算法进行特征描述，然后通过采样一致性算法粗配准获得初始位姿，解决了初始位姿获取问题。最后通过精配准获取精确的位姿变换结果，从而获得了较好的标定效果，但由于该方案采用3D-HARRIS关键点检测算法提取角点作为特征点，但由于该算法对尺度很敏感，不具备几何尺度不变性，稳定性有待提高。

现有SIFT算法可用于图像的特征匹配，其具有尺度不变性，有较高的不变形与鲁棒性，但该算法特征存在描述子维度过高、匹配时间长和误匹配率较高的问题。因此，如何提升特征点提取时的不变性和速度，并降低误匹配率，是一个亟需解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种多固态激光雷达标定方法、装置、设备及存储介质，旨在解决目前多固态激光雷达标定方法不具备集合尺度不变性以及误匹配率高的技术问题。

为实现上述目的，本发明提供一种多固态激光雷达标定方法，所述方法包括以下步骤：

获取源点云和目标点云；

对所述源点云和所述目标点云进行特征提取与描述，获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合；

将所述第一特征描述子集合和所述第二特征描述子集合进行特征匹配，获得匹配点集；

根据所述匹配点集，获得位姿变化结果，并基于所述位姿变化结果执行标定。

可选的，所述获取源点云和目标点云步骤之后，所述方法还包括：对所述源点云和所述目标点云进行滤波处理。

可选的，所述滤波处理包括中值滤波和双边滤波。

可选的，在对所述源点云和所述目标点云进行特征提取与描述时，采用改进的SIFT算法；其中，所述改进的SIFT算法包括：

构建特征点领域；其中，所述特征点领域包括第一区域、第二区域和第三区域；

统计所述第一区域、所述第二区域和所述第三区域中每个子区域在8个方向上的梯度累加值，获得每个区域的特征描述子；

将每个区域的特征描述子进行拼接，获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合。

可选的，所述第一区域包括关键点对应的四个方形子区域，所述第二区域包括关键点对应的四个与所述第一区域的边邻接的矩形子区域，所述第三区域包括关键点对应的四个设置于相邻两个第二区域之间的三角子区域。

可选的，当统计所述第一区域、所述第二区域和所述第三区域中每个子区域在8个方向上的梯度累加值时，获取所述第一区域、所述第二区域和所述第三区域的梯度累加预设权重值，并根据所述梯度累加预设权重值进行梯度累加，以获得每个子区域在8个方向上的梯度累加值。

可选的，所述根据所述匹配点集，获得位姿变化结果，并基于所述位姿变化结果执行标定步骤，具体包括：

利用采样一致性算法对所述匹配点集进行粗配准，获得所述源点云和所述目标点云的初始位姿；

对所述源点云和所述目标点云的初始位姿进行精配准，获得位姿变化结果，并基于所述位姿变化结果执行标定。

此外，为了实现上述目的，本发明还提供了一种多固态激光雷达标定装置，所述多固态激光雷达标定装置包括：

获取模块，用于获取源点云和目标点云；

提取与描述模块，用于对所述源点云和所述目标点云进行特征提取与描述，获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合；

特征匹配模块，用于将所述第一特征描述子集合和所述第二特征描述子集合进行特征匹配，获得匹配点集；

标定模块，用于根据所述匹配点集，获得位姿变化结果，并基于所述位姿变化结果执行标定。

此外，为了实现上述目的，本发明还提供了一种多固态激光雷达标定设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多固态激光雷达标定方法程序，所述多固态激光雷达标定方法程序被所述处理器执行时实现上述的多固态激光雷达标定方法的步骤。

此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有多固态激光雷达标定方法程序，所述多固态激光雷达标定方法程序被处理器执行时实现上述的多固态激光雷达标定方法的步骤。

本发明实施例提出的一种多固态激光雷达标定方法、装置、设备及存储介质，该方法包括获取源点云和目标点云，对所述源点云和所述目标点云进行特征提取与描述，获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合，将所述第一特征描述子集合和所述第二特征描述子集合进行特征匹配，获得匹配点集，根据所述匹配点集，获得位姿变化结果，并基于所述位姿变化结果执行标定。本发明通过对SIFT算法进行改进，将其特征点领域的方形区域转换为一个八边形区域，去除原方形区域四个顶点处的四个三角形区域，降低描述子维度，减少匹配计算量，实现尺度不变的特征点提取的同时降低了特征描述子维度，提高特征提取与匹配速度，且减小了误匹配率，保证特征匹配的精度，完成高效的多固态激光雷达标定。

附图说明

图1为本发明实施例中一种多固态激光雷达标定设备的结构示意图；

图2为本发明实施例中一种多固态激光雷达标定方法的流程示意图；

图3为本发明实施例中多固态激光雷达标定方法的原理示意图；

图4为本发明实施例中改进的SIFT算法的特征点领域的示意图；

图5为本发明实施例中一种多固态激光雷达标定装置的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

目前，相关技术领域中，多固态激光雷达标定方法不具备集合尺度不变性以及误匹配率高。

为了解决这一问题，提出本发明的多固态激光雷达标定方法的各个实施例。本发明提供的多固态激光雷达标定方法通过对SIFT算法进行改进，将其特征点领域的方形区域转换为一个八边形区域，去除原方形区域四个顶点处的四个三角形区域，降低描述子维度，减少匹配计算量，实现尺度不变的特征点提取的同时降低了特征描述子维度，提高特征提取与匹配速度，且减小了误匹配率，保证特征匹配的精度，完成高效的多固态激光雷达标定。

参照图1，图1为本发明实施例方案涉及的多固态激光雷达标定设备的结构示意图。

设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment，UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station，MS)等。设备可能被称为用户终端、便携式终端、台式终端等。

通常，设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的多固态激光雷达标定方法程序，所述多固态激光雷达标定方法程序配置为实现如前所述的多固态激光雷达标定方法的步骤。

处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关多固态激光雷达标定方法操作，使得多固态激光雷达标定方法模型可以自主训练学习，提高效率和准确度。

存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的多固态激光雷达标定方法。

在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。

通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信，从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(WirelessFidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near FieldCommunication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

本领域技术人员可以理解，图1中示出的结构并不构成对多固态激光雷达标定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明实施例提供了一种多固态激光雷达标定方法，参照图2，图2为本发明多固态激光雷达标定方法的实施例的流程示意图。

本实施例中，所述多固态激光雷达标定方法包括以下步骤：

步骤S100，获取源点云和目标点云。

具体而言，在执行多固态激光雷达标定过程中，先获取源点云和目标点云后，在根据源点云和目标点云进行特征提取与描述，以实现进行特征匹配和雷达表达。

需要说明的是，在获取源点云和目标点云之后，还需要对源点云和目标点云进行滤波处理。

在优选的实施例中，滤波处理包括中值滤波和双边滤波。

步骤S200，对所述源点云和所述目标点云进行特征提取与描述，获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合。

具体而言，在对所述源点云和所述目标点云进行特征提取与描述时，采用改进的SIFT算法。

本实施例中，改进的SIFT算法包括以下步骤：

构建特征点领域；其中，所述特征点领域包括第一区域、第二区域和第三区域；统计所述第一区域、所述第二区域和所述第三区域中每个子区域在8个方向上的梯度累加值，获得每个区域的特征描述子；将每个区域的特征描述子进行拼接，获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合。

由此，可根据改进的SIFT算法获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合。

需要说明的是，在本实施例的改进的SIFT算法中，所述第一区域包括关键点对应的四个方形子区域，所述第二区域包括关键点对应的四个与所述第一区域的边邻接的矩形子区域，所述第三区域包括关键点对应的四个设置于相邻两个第二区域之间的三角子区域。

在优选的实施例中，当统计所述第一区域、所述第二区域和所述第三区域中每个子区域在8个方向上的梯度累加值时，获取所述第一区域、所述第二区域和所述第三区域的梯度累加预设权重值，并根据所述梯度累加预设权重值进行梯度累加，以获得每个子区域在8个方向上的梯度累加值。

需要说明的是，本实施例对SIFT算法进行改进，将其特征点领域的方形区域转换为一个八边形区域，去除了原方形区域四个顶点处的四个三角形区域，降低了描述子维度，减少了匹配计算量，又保证了一定的精度。

步骤S300，将所述第一特征描述子集合和所述第二特征描述子集合进行特征匹配，获得匹配点集。

具体而言，在此之后，将源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合进行特征匹配，获得匹配点集，进而可利用匹配点集获取位姿变化结果，要进行标定过程。

步骤S400，根据所述匹配点集，获得位姿变化结果，并基于所述位姿变化结果执行标定。

具体而言，在获得匹配点集后，根据该匹配点集，获得位姿变化结果，最后即可根据位姿变化结果执行雷达标定过程。

在实际应用中，可利用采样一致性算法对所述匹配点集进行粗配准，获得所述源点云和所述目标点云的初始位姿，对所述源点云和所述目标点云的初始位姿进行精配准，获得位姿变化结果，并基于所述位姿变化结果执行标定。实现了尺度不变的特征点提取的同时降低了特征描述子维度，提高了特征提取与匹配速度，且减小了误匹配率，保证了特征匹配的精度，完成了高效的多固态激光雷达标定。

在本实施例中，提供一种多固态激光雷达标定方法，通过对SIFT算法进行改进，将其特征点领域的方形区域转换为一个八边形区域，去除原方形区域四个顶点处的四个三角形区域，降低描述子维度，减少匹配计算量，实现尺度不变的特征点提取的同时降低了特征描述子维度，提高特征提取与匹配速度，且减小了误匹配率，保证特征匹配的精度，完成高效的多固态激光雷达标定。

为了更清楚的解释本申请，下面提供本申请多固态激光雷达标定方法的具体实例，如图3所示，包括如下步骤：

S1：获取源点云M和目标点云N。

S2：对源点云M和目标点云N分别进行中值滤波和双边滤波。

S3：采用改进后的SIFT分别对滤波后的源点云M和目标点云N进行特征点提取与描述，获得特征点集合A和特征点集合B。

S4：对特征点集合A和特征点集合B进行特征点匹配，获得匹配点集C。

S5：根据匹配点集C获得位姿变化结果，进而执行标定过程。

具体而言，在获取到不同激光雷达的点云后，首先采用中值滤波去噪，以低通滤波的形式平滑图像中的噪声，然后通过几次双边滤波，目的是模糊不稳定的高分辨率边缘，使左侧边缘稳定，尺寸越粗，分辨率边缘越低。之后利用改进后的SFIT算法对滤波后的图像进行特征提取与描述，分别得到不同点云的特征描述子集合。将不同的特征点集合进行特征匹配，得到匹配点集，之后根据计算得到位姿变化结果，完成标定。

需要说明的是，在本申请中，利用改进后的SIFT算法，实现了尺度不变的特征点提取的同时降低了特征描述子维度，提高了特征提取与匹配速度，且减小了误匹配率，完成了高效的标定。

本实施例中涉及的改进的SIFT算法的特征点领域如图4所示。

沿着原方形区域四个角落处的4×4方形区域的对角线取出四个距离特征点较远的三角形区域，并将其去除，得到一个八边形特征点领域，在特征点附近8×8区域内以原SIFT算法的划分方法得到四个方形子区域，统称为区域1，区域1的上下、左右的4个32网格像素的矩形为矩形子区域，统称为区域2，在四个角落处取得4个三角子区域，统称为区域3，每种区域中的每个子都需统计8个方向上的梯度累加值，每个区域都可得到4×8＝32维的特征描述子，由于3种子区域划分的大小不同，形状与方向也有差异，需要均衡3种描述子的梯度值。

同时为了距离特征点越近作用越大的原则，需对这3种区域描述子的梯度值进行加权计算。最后将3种描述子进行拼接，共得到32+32+32＝96维特征描述子，将原SIFT算法的特征描述子维度减小了25％，去除了对特征点影响较小的子区域，降低了计算复杂度与计算量的同时保证了匹配精度。

本申请针对背景技术中存在的问题，本发明提出一种基于点云配准的多固态激光雷达标定方法，对SIFT算法进行改进，将其特征点领域的方形区域转换为一个八边形区域，去除了原方形区域四个顶点处的四个三角形区域，降低了描述子维度，减少了匹配计算量，又保证了一定的精度，提升在特征点提取时的不变性以及与速度，且降低误匹配率，完成高效标定。

参照图5，图5为本发明多固态激光雷达标定装置实施例的结构框图。

如图5所示，本发明实施例提出的多固态激光雷达标定装置包括：

获取模块10，用于获取源点云和目标点云；

提取与描述模块20，用于对所述源点云和所述目标点云进行特征提取与描述，获得源点云对应的第一特征描述子集合和目标点云对应的第二特征描述子集合；

特征匹配模块30，用于将所述第一特征描述子集合和所述第二特征描述子集合进行特征匹配，获得匹配点集；

标定模块40，用于根据所述匹配点集，获得位姿变化结果，并基于所述位姿变化结果执行标定。

本发明多固态激光雷达标定装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有多固态激光雷达标定方法程序，所述多固态激光雷达标定方法程序被处理器执行时实现如上文所述的多固态激光雷达标定方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。