好久没认真写博客了，动起手有点生疏，markdown都不会用了。。。哈哈。。。废话不说了，之后有时间专门写一篇从学生到工作的记录。
一.联合标定的由来
本文介绍激光雷达和相机的联合标定，至于为什么要进行标定，简单的说就是：激光代表深度，图像代表细节。举个例子：假如对面行驶过来一辆车，单目相机只能判断那是一辆汽车，双目相机可以判断那是一辆汽车并且知道大概的位置信息。既然双目可以知道距离和三维重建，为什么需要雷达？精度 信息量 稳定性！当几十米的时候，双目相机根本不能准确的判断，同时给的信息也太少。本人使用雷达实测，100米左右都可以探测，对行人和车辆判断较为准确。
具体的生动有趣的案例可以参考这篇博文：标定缘由
二.标定方法
这是本文的重点了，这段时间就弄这些东西，很多东西想记录下来给后面的人看，写的有点乱。
本文基于读者有一定的基础之后，单目标定结果为焦距fc 焦点cc 畸变系数k，双目标定结果为旋转+平移矩阵，联合标定求解的结果为3x3旋转矩阵+1x3平移矩阵，这种比较简单的流程都已经了解。
具体求解方法较为复杂，其中最小二乘或L-M 多参数方程求解等，再matlab或者网上已经有开源代码，没必要自己开发。
（A）联合标定发展史
- 使用点到点的标定方式
这种方式原理较为简单，和单目内参标定类似，寻找关键的点进行一一匹配。
之前看到一篇是多个点进行匹配的文章，由于公司不给上传，现文章已经无法找到，在这给出类似的文章：Extrinsic Calibration of a Camera and Laser
Range Finder
3D点到点的求解方法：最小二乘法
- 使用线到线的标定方式
这种方法较为常用，其中KITTI数据集标定的方法与此类似，其增加了多张棋盘格，使用ransac软法进行匹配，原理基本一致。我就是使用此类方法，在这里简单描述一下原理：
这里的三维直线描述方式使用(U，V)形式，具体参考：三维直线表述方式
这里矩阵形式基本表述为叉乘
论文中部分公式表述不严谨，比如：文中3.1节公式应该是转置，不然维度不统一。
核心思想：
a.通过单目标定，得到相机内参。
b.通过内参计算标定板每个位置的外参矩阵，这里是针对相机的。
c.通过雷达找到每个标定板的位置，得到法向量和距离(点到平面距离)。具体怎么得到参考PCL的平面拟合，文末参考文献会给出。
d.通过线性结构得到初始解。
e.通过L-M优化得到最终解。
- 特征和差异性标定方式
本人非专业人士，使用语言可能不标准，且本人才疏学浅，所看论文量不够对英文翻译不准确，请各位大神批评海涵！
这种方法看的比较少，因为太成熟了，基本被封装成模块直接使用，很难弄懂原理。这里的例子特别多了，比如Autoware
百度阿波罗。。。。。。github上很多，这里不做多讲解，官网给的readme很清楚。
（B）细说线性标定
这里介绍一个卡耐基梅隆大学开源的一款标定软件，使用离线方法，和单目和双目标定一样，直接再windows下面输入图片即可标定。
卡耐基梅隆源代码下载地址：代码+文档(需FQ)
改进源代码下载地址：新增3D可视化操作
注意事项：
- 默认方向朝上，如果相反则需要更改。
- far和near是设置最远和最近距离，最好一次设置不要更改。
- 其使用matlab进行内参标定，且是原始方法。如果使用matlab自带的calibrator得自己手动输入T和R 图像数量等参数。
- 标定数据如果有太多噪声会导致很大误差，可以使用PCL去拟合平面再叠加回去。
- 其中涉及bin pcd xyz 等文件格式的转换，如果需要转换代码请私信我。
- 。。。。第一次使用较为繁琐，弄懂之后很简单。。。。
三. 参考文献
如果简单使用别人的工具很容易，自己动手操作一下，多看看原理也挺好的。
看了十几篇论文，懂了不难，难了不会。
Extrinsic Calibration of a Camera and Laser
Range Finder
http://www.cs.cmu.edu/~ranjith/lcct.html
Calibration of RGB Camera With Velodyne LiDAR
Laser rangefinder calibration for a walking robot
还有很多参考文章已经忘记来源，如有侵权，劳烦告知