障碍物检测算法开发-（1）三种测距算法技术路线和实际应用

一.项目背景

目前在研究激光雷达和相机做障碍物检测算法开发，主要应用场景为远距离下的目标障碍物检测。

二.主要实现算法

本次主要实现了三种算法，具体实现后期补充，先进行算法的梳理和记录：

1.纯点云数据处理，当测量距离比较近的时候，点云稠密度高，且点云的z轴代表了目标的距离，可以利用PCL库对点云数据进行处理，通过聚类实现目标提取和测距。
原始点云：

处理后，使用addcube加入立体检测框：

2.激光雷达和相机的联合标定，当测量距离远，点云密度开始降低，之间分析点云相对困难，可以通过目标检测算法识别目标，再通过点云投影到图像中，在目标检测框内的点云为当前目标的距离。

3.双目立体视觉，距离远，点云几乎没有时，可以通过双目视觉算法获得距离+目标检测获取障碍物的目标大小，需要进行双目视觉的标定。可通过立体匹配或者特征匹配算法进行处理
（1）特征匹配算法



特征匹配后，直接左右x相减，获得视差值。带入公式计算距离。

（2）双目视觉处理后的视差图转点云图：
视差图：

点云图：

对点云图进行点云算法处理，降采样，聚类等操作，获得目标。

三.技术路线

1.纯点云数据处理
算法步骤包括：
（1）点云限界处理
（2）点云降采样
（3）点云分割
（4）点云聚类
（5）绘制立体边界框

2.激光雷达和相机的联合标定
算法步骤包括：
（1）使用棋盘格进行标定；
（2）使用cloudcompare对点云进行处理，将棋盘格点云数据分离出来，提高联合标定的准确率和精度；
（3）使用matlab对相机进行单目标定，获得相机的内参和畸变系数；
（4）使用matlab进行激光雷达和相机联合标定，获得tform下的旋转、平移矩阵。
（5）使用（3）（4）获得的参数对点云进行投影，当在图像中获得目标位置时，查看当前目标框内是否存在点云数据，使用该区域内的点云数据z值作为距离。

3.双目立体视觉算法
算法步骤包括：
（1）采用平行式双目立体视觉方法，两个相机相互平行，相机参数相同；
（2）制作大的标定板，最好覆盖整个相机视野的一半以上，两个相机各自采集大于20张图的数据。
（2）使用matlab对两个相机的图像进行联合标定，获得相机各自的内参、畸变系数和共有的旋转、平移矩阵；
（3）使用opencv对（2）中获得的参数进行应用，对两图像进行立体校正，保证y在同一个位置
（4）立体校正完成后，使用立体匹配算法获取视差图，视差图获得到可以进行两个方向的研究：
第一个是将视差图转换为点云图，采用1中纯点云算法提取目标；
第二种是通过特征匹配ORB、SURF算法匹配YOLO目标检测后两个相机的图像目标，由于已经做过立体校正，直接计算x方向的差（即视差值）就可以直接得到距离。

四.注意事项

1.激光雷达的测量范围有限，在测量距离>100米时，采用双目处理效果更好；
2.测量距离近时，可以根据点云稠密度选择纯点云数据处理和激光雷达+相机；
3.标定板的制作和选取根据测量距离进行调整，经过前期大量的标定和实验，建议标定板制作大一些，特别是远距离测量时，我使用的标定板每一格是400 * 400mm的，大小在2米 * 5米
4.标定过程中，尽量覆盖整个相机视野位置，不同角度、倾斜、翻转标定板采集图像；
5.matlab中删除投影误差较大的图像，如果采集数量太少，会导致最后能用的图过少，标定结果不准确。