文章目录1.激光雷达基本概念1.1激光雷达特点1.2激光雷达测距原理1.2.1系统组成1.2.2激光雷达测距原理1.3常见的激光雷达1.3.1机械旋转式激光雷达1.3.2VelodyneHDL-64E1.3.3固态激光雷达1.3.4Flash型固态激光雷达1.3.5相控阵固态激光雷达1.3.6MEMS型固态激光雷达1.3.7总览1.4激光雷达性能指标2.激光雷达点云（PointCloud）2.1激光雷达点云定义2.2激光雷达点云表示方法3.为什么要选择激光雷达？3.1传感器之间的互补性3.2不同级别自动驾驶系统的需求4.激光雷达的标定4.1激光雷达参数4.2单线激光雷达4.2.1γ\gamma

若该文为原创文章，转载请注明原文出处本文章博客地址：https://hpzwl.blog.csdn.net/article/details/136616551各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）OpenCV开发专栏（点击传送门）上一篇：《OpenCV开发笔记（七十六）：相机标定（一）：识别棋盘并绘制角点》下一篇：持续补充中…前言  通过相机图片可以识别出棋盘角点了，这时候我们需要通过角点去计

一.二维坐标系1.旋转矩阵图1在图1中，点P在坐标系下的位置坐标为(OA,OE)，在坐标系下的位置坐标为(OC,OG)并且∠BOA=θOC=OB+BC  (式1)OG=OF-FG  (式2)在式1中：OB=OA∙cosθBC=ADAD=AP∙sinθAP=OEAD=OE∙sinθ                                                  ∴OC=OA∙cosθ +OE∙sinθ  (式3)在式2中：OF=OE∙cosθFG=EHEH=EP∙sinθEP=OAEH=OA∙sinθFG=OA∙sinθ                             

所有内容仅供个人学习记录文章目录一、相机标定原理1.1相机成像原理1.1.1世界坐标系到相机坐标系1.1.2相机坐标系与图像坐标系1.1.3图像坐标系与像素坐标系1.1.4总结1.2畸变1.2.1径向畸变1.2.2切向畸变1.2.3畸变公式1.3相机标定1.3.1张正友标定法1.3.2张正友标定法的整体流程1.3.3张正友标定法模型1.3.4模型求解1.3.4.1.求解单应矩阵H二、激光雷达Lidar标定2.1.1γγγ侧偏角的标定2.1.2α俯仰角的标定2.2相机与激光雷达联合标定意义一、相机标定原理相机内参是相机坐标系转换到图像像素坐标系相机内参是世界坐标系转换到相机坐标系1.1相机成像原

若该文为原创文章，转载请注明原文出处本文章博客地址：https://blog.csdn.net/qq21497936/article/details/136535848各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）OpenCV开发专栏（点击传送门）上一篇：《OpenCV开发笔记（七十五）：相机标定矫正中使用remap重映射进行畸变矫正》下一篇：持续补充中…前言  知道图像畸变矫映射的原理之后，那么如何

系列文章目录 前言  一、激光雷达-相机标定建立了三维激光雷达点和二维相机数据之间的对应关系，从而将激光雷达和相机输出融合在一起。激光雷达传感器和相机被广泛用于自动驾驶、机器人和导航等应用中的三维场景重建。激光雷达传感器捕捉环境的三维结构信息，而相机则捕捉色彩、纹理和外观信息。激光雷达传感器和相机各自根据自己的坐标系捕捉数据。激光雷达-相机标定包括将激光雷达传感器和相机的数据转换为同一坐标系。这样就可以融合两个传感器的数据，准确识别场景中的物体。该图显示了融合后的数据。激光雷达-相机标定包括内参标定和外参标定。内参标定-估算激光雷达传感器和相机的内部参数。制造商会事先标定激光雷达传感器的内参参

若该文为原创文章，转载请注明原文出处本文章博客地址：https://blog.csdn.net/qq21497936/article/details/136293833各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）OpenCV开发专栏（点击传送门）上一篇：《OpenCV开发笔记（七十四）：OpenCV3.4.1+ffmpeg3.4.8交叉编译移植到海思平台Hi35xx平台》下一篇：持续补充中…前言  

本文将从基本标定开始，结合实际工作经验，分析张正友、opencv和halcon三者相机标定的深层原理与不同之处，内容比较多，如果出现错误请指正。相机光学模型我们使用的镜头都是由多组镜片组成，它实际上是一种厚透镜模型，但是目前所有的相机标定是基于针孔模型来进行标定的，因此在学习标定之前，首先我们要对相机进行建模，这样能从整体上把握坐标系之间的变换关系。当然鱼眼镜头和沙姆镜头需要基于针孔模型进行二次建模，这里不细说了，有想交流的可以私信我。我们的目标就是把厚透镜模型变为针孔模型进行后续的处理。厚透镜镜片组可能如下（halcon）：针孔模型针孔模型如下图所示，小孔处为投影中心，y为物体，y’为倒立的

一、九点标定过程1.算法原理    9点标定就是通过9个点计算出相机坐标系到机械手坐标系下的一个仿射变换，（实际上空间中的二维平面的仿射变换只需要3个点就足够了）。在实际应用过程中，需要获取像素下特征点的坐标和对应机械手的坐标。联立方程组求解即可得到对应仿射变换的矩阵，实际应用场景主要分为眼在手上和眼在手外，下面具体介绍使用过程：（1）眼在手外              使用场景如图所示，该场景是一个上相机，9点标定经常是四轴机械臂或者是通过舵机搭建的X,Y两方向的运行机构与相机相互配合使用。无论是眼在手上还是眼在手外，目的都是获取对应像素点的坐标和机械手的坐标，然后通过数学计算，得到转换矩阵

相机的内外参与相机标定我们所生活的现实世界是一个三维的世界，人类生活期间，已经能够熟练地估计周围物体的深度及定位，但是，现在的照相机一般都只能拍摄二维图像，场景从三维变到二维的时候，一个最重要的信息，深度，就丢失了，在只是为了观赏的时候，一个二维的图像也是足够的，如果想做导航，定位及其它3D重建等应用的时候，这个深度信息及物体之间的相对关系，距离就显得很重要了，如何从二维图像，估计出真实的三维世界，也是计算机视觉一个比较重要的任务，由此发展出多视几何，计算几何等学科。相机的内外参估计，是几何测量的基础，相机的内外参，构建了三维世界坐标系到图像坐标系的变换关系，也就是完成了一个三维坐标到二维坐标