视觉目标和雷达目标融合
也是要接受图像消息，接受深度消息，接受相机内参消息，输出publisher_fused_objects_和pixel_cloud_fusion.h类似
TransformPoint(const geometry_msgs::Point &in_point, const tf::StampedTransform &in_transform) 按照旋转矩阵in_transform旋转point，得到cv::point3f格式的点
ProjectPoint(const cv::Point3f &in_point) 投影点到图像，明确不是3d点云，而是经过transformpoint生成的cv::point3f，将其转化为像素
TransformObject(const autoware_msgs::DetectedObject &in_detection, const tf::StampedTransform &in_transform)根据in_transform转换目标无的pose和quat，pose代表坐标，quat代表方向四元数
IsObjectInImage(const autoware_msgs::DetectedObject &in_detection)判断目标是否在图像范围内。先将目标坐标转换到相机坐标系下transformPoint，再将相机坐标系下的位置点转换到图像内projectpoint，如果像素在图像内，则返回true。
ProjectDetectionToRect(const autoware_msgs::DetectedObject &in_detection)将目标映射到图像上，找到图像中目标的边框，返回一个图像上的四边形。用目标的pose，quaternion，dimensions生成一个jsk_recognition_utils::cube，将雷达到相机的转换矩阵转换为一个eigen格式，再调用cube的transformVertices转换顶点到相机坐标系下。将顶点投影到图像中，变成像素值，cv::boundingrect生成边框
TransformRangeToVision(const autoware_msgs::DetectedObjectArray::ConstPtr &in_range_detections, autoware_msgs::DetectedObjectArray &out_in_cv_range_detections, autoware_msgs::DetectedObjectArray &out_out_cv_range_detections） 在点云聚类后的目标中，区分图像内的和图像外的，分别存储。调用isObjectInImage()判断点云聚类目标是在图像内还是图像外
编程技巧：：头尾相连，在画边框的时候最后一个点要和第一个点相链接，不用单独写出来，可以用以下方法加入。总数多加一个，序号除以总数取余数
for (size_t i = 0; i < hull_points.size() + 1; i++)
{
geometry_msgs::Point32 point;
point.x = hull_points[i % hull_points.size()].x;
point.y = hull_points[i % hull_points.size()].y;
point.z = min_point.z;
convex_hull.polygon.points.push_back(point);
}
CalculateObjectFeatures(autoware_msgs::DetectedObject &in_out_object, bool in_estimate_pose) 根据点云聚类的一个目标，计算目标的边框，用andrew Monotone chain方法超找最小凸边形。计算目标坐标，宽度，以及边框点。如果is_estimate_pose=true，则需要估计目标位姿，调用cv::minarearect生成带旋转的四边形，再根据四边形的旋转角重新计算目标的方向（orientation)，tf::quaternionTFToMsg(quat, in_out_object.pose.orientation);这就提取了目标的特性。
MergeObjects(const autoware_msgs::DetectedObject &in_object_a, const autoware_msgs::DetectedObject &in_object_b)融合两个目标的点云，就是简单的累加
GetDistanceToObject(const autoware_msgs::DetectedObject &in_object)计算到目标的距离？？？？这貌似不是
return sqrt(in_object.dimensions.x * in_object.dimensions.x +
in_object.dimensions.y * in_object.dimensions.y +
in_object.dimensions.z * in_object.dimensions.z); 这都是边长的平方，不理解
CheckMinimumDimensions(autoware_msgs::DetectedObject &in_out_object)检查目标的最小尺寸。目标壳分为car ,person, truck,bus。每个类型都是最小的尺寸，如果xyz某个小于最小尺寸则需要更换为最小尺寸
FuseRangeVisionDetections( const autoware_msgs::DetectedObjectArray::ConstPtr &in_vision_detections, const autoware_msgs::DetectedObjectArray::ConstPtr &in_range_detections) 融合图像聚类和点云聚类，返回的是去除掉的目标：包括 1. 在图像外的点云目标 2. 与图像目标重合的，且范围最小的点云目标 3. 在图像中有，但是在点云中没有的图像目标。1. 找到在图像中的点云目标 range_in_cv 2. 遍历每一个图像目标，求每一个目标在占图像的面积。3.遍历每一个range_in_cv点云目标，转换到图像中，求占的面积。与当前图像目标的面积进行比较，如果大于阈值，则表示两个目标属于同一个，更新点云目标的若干属性，便于与下一个图像目标比对，且将当前图像目标标记为已匹配上（最后会将没匹配上的目标图像删除）。将被过滤掉的目标的valid属性全部设置为true，表示可以merge。这个函数就是图像和点云的数据融合
以下为合并处理两条消息
SyncedDetectionsCallback( const autoware_msgs::DetectedObjectArray::ConstPtr &in_vision_detections, const autoware_msgs::DetectedObjectArray::ConstPtr &in_range_detections) 同步图像和点云目标检测回调函数，如果图像和点云目标都为空，则返回。如果图像或点云目标为空，则pulisher_fused_objects_输出不为空的，并返回。如果没有查找到对应的坐标变换也返回。如果图像和点云都存在，则调用fuseRangeVisionDetections函数，融合图像和点云目标。最后通过pulisher_fused_objects发送，同时将vision_detections_和range_detections_两个全局变量清空。（只有图像和点云目标同时存在时才清空）
以下为分开处理两条消息
VisionDetectionsCallBack() 图像目标接收回调函数，将图像目标赋值给vision_detections_，调用syncedDetectionsCallback()处理，并发送
RangeDetectionsCallback() 点云目标接收回调函数，将点云目标赋值给range_detections_,，调用syncedDetectionsCallback()处理，并发送
ImageCallback() 接受图片消息，并根据接收的相机内参和畸变校正矩阵，校正图像，返回赋值给image_变量
IntrinsicsCallback() 接受相机内参，和畸变矩阵等。
FindTransform(const std::string &in_target_frame, const std::string &in_source_frame)查找源坐标系到目标坐标系的变换，如果有则返回旋转矩阵。
输入
/detection/lidar_detector/objects ---> detections_range_subscriber_
/deteciton/image_detector/objects --->detections_vision_subscriber_
/camera_info ---> intrinsics_subscriber_
输出
/detection/fusion_tools/objects ----> publisher_fused_objects_
InitializeROSIo(ros::NodeHandle &in_private_handle)初始化结点。如果sync_topics=true，则表示需要消息同步，否则分开处理。