360传感器校准 成像镜头均匀性校正——360°超广角均匀校准光源

成像镜头均匀性校正——360°超广角均匀校准光源

随着空间技术的不断发展，遥感仪器在对地观测、大气探测及海洋探测等方面的应用也不断拓展，以实现不同任务的观测精度。空间遥感仪器热控技术旨在保证遥感器各部件所需温度水平、温度梯度和温度稳定度，以满足遥感器高质量成像要求。

近年来我国不断发展空间对地观测、大气探测、海洋探测以实现对陆地、大气、海洋等多个角落的立体观测和动态监测，惠及国计民生，引领了高新技术和航天工业的发展，提升了我国的航天大国地位。空间遥感仪器是实现各种对地观测的主要有效载荷，其各部件的温度是影响遥感仪器探测性能的重要因素，比如当遥感仪器的光学系统中的光学组件（镜片、镜框）的温度发生变化时，一方面镜片表面的曲率半径、透镜的厚度、光学材料的折射率均会发生改变，另一方面由于镜框的热膨胀系数较大，镜框会相对于镜片发生差分膨胀或收缩，这会导致焦距偏离和系统失准；红外探测器芯片由对光子敏感的材料制成，材料的能隙小，由热涌动造成的暗电流和热噪声大，温度升高会减小信噪比，器件的性能也会随之衰减。

遥感仪器热控系统是指多种热控产品或技术按照一定设计原则组合而成的、具有实现遥感器热控制功能的有机整体，是空间遥感仪器的重要组成部分，其任务为：针对遥感仪器全寿命周期任务，分析和识别外部空间环境、任务特征及自身特性，在满足来自外部环境和遥感仪器对热控技术约束的前提下，综合运用合理的热控技术，对热量的吸收、传输、排散等环节进行调节，保证与热相关的参数满足遥感仪器可靠完成预定功能的要求。

空间遥感仪器作为航天器主要有效载荷之一，其热控技术基本采用航天的常规热控技术，但在方案设计时必须考虑遥感仪器本身的特点，尤其是光学遥感仪器，具有大量的光学零件，增设热控产品时必须进行充分的光线跟踪模拟，保证不能遮挡光路。热控技术一般也分为两类：被动热控技术与主动热控技术。

着空间探测技术的发展，空间遥感仪器对控温精度的要求越来越高，有时仅采用被动热控技术无法将仪器设备的温度控制在所要求的范围内，这就必须采用温度控制更精准的主动热控技术才能保证空间遥感仪器各部件的工作温度维持在规定的范围内，从而保证空间遥感仪器正常工作。

由于高轨相机面临长时间的“日凌”现象，为了保证光学系统的温度要求，“高分四号”相机热控系统采用“主动热控与被动热控相结合”的热控方案，同时采用了一系列创新性的热控措施。

相机外表面包覆多层隔热组件；主要热源包覆多层隔热组件，并与主承力结构隔热安装。遮光罩选用铝合金蜂窝结构；遮光罩外表面局部喷涂低吸收—发射比的热控涂层，并增设散热面进行散热；在遮光罩上合理布置加热器进行主动控温。主光学系统采用间接辐射控温设计，在主光学系统背面安装高发射率的辐射板，通过合理布置电加热器控制辐射板的温度达到控制光学系统温度的目的。

景颐光电研产的360°超广角高均匀校准光源适用于120度、180度、超过180度的广视角相机/传感器，甚至360度的全景相机/传感器也是适用的。光源采用白光LED/卤素灯/氙灯作为照明光源，亦可根据需求定制，光源的光照均匀性非常好，均匀性能达到98%以上，相机/传感器置于积分球内进行校正，积分球内各处光照均匀，测试效果非常好。

CFNet：三维激光雷达与相机自动在线外部校准方法

作者：鱼骨 | 来源：3D视觉工坊

在公众号「3D视觉工坊 」后台，回复「原论文 」可获取论文pdf、代码、视频链接。

添加微信：dddvisiona，备注：3D点云，拉你入群。文末附行业细分群。

激光雷达摄像机标定作为数据融合的重要步骤，对自主车辆和机器人导航具有重要意义。大多数校准方法依赖手工制作的特征，需要大量提取的特征或特定的校准目标。随着深度学习技术的发展，一些人尝试利用卷积神经网络来回归6个自由度(DOF)的外部参数。然而，据报道，这些基于深度学习的方法的性能比非深度学习的方法更差。本文提出了一种结合深度学习和几何方法的激光雷达相机外部标定在线算法。通过定义一个双通道图像命名为校准流，以说明从初始投影到地面真值的偏差。采用随机样本一致性(RANSAC)方案中的EPnP算法，利用校准流构建的二维-三维对应关系估计外部参数。在KITTI数据集上的实验表明，本文提出的方法优于目前最先进的方法。在此基础上，提出了一种引入实例质心的语义初始化算法。这里也推荐「3D视觉工坊」新课程《如何学习相机模型与标定？（代码+实战）》。

引言

场景感知是自动驾驶和机器人导航的一个重要方面。对周围环境中物体的鲁棒感知依赖于安装在移动平台上的各种机载传感器。光探测与测距(LiDAR)传感器可以获得大范围、高精度的场景空间测量。但激光雷达传感器的分辨率较低，特别是在水平方向上，缺乏颜色和纹理信息。相机传感器可以提供高分辨率的RGB图像，但对光照变化敏感，没有距离信息。激光雷达和相机传感器的结合可以弥补彼此的不足。这两个传感器的有效融合对于三维目标检测以及语义映射任务至关重要。外部标定是激光雷达与相机融合的一个重要过程，需要通过外部标定来准确估计激光雷达与相机之间的刚体变换。

早期的激光雷达相机校准方法依赖于特定的校准目标，如棋盘或自制物体。通过手工标注或自动标注获得二维特征点(摄像机图像)与三维特征点(激光雷达点云)之间的匹配关系，然后利用该匹配关系计算外部参数。自动驾驶汽车在运行过程中，由于运行环境的变化(如振动等)，会对外部参数产生不可控的偏差。针对这一问题，提出了一系列无目标在线自校正算法，有效地提高了自适应能力。这些在线定标方法主要利用图像和点云的强度以及边缘相关性来计算外部定标参数。这种技术依赖于准确的初始外部参数或附加的运动信息(手眼标定初始化)。此外，用于构建标定参数惩罚函数的特征通常是手工设置的，高度依赖于场景，在没有特征的情况下无法工作。

近年来，有一些方法尝试利用深度学习来预测激光雷达与相机之间的相对变换。与传统方法相比，这些方法的标定误差仍然较大。因此，这些基于学习的标定方法不能满足标定要求。此外，在实际应用中，当传感器参数发生变化时，需要大量的训练数据来对网络模型进行微调，这极大地限制了算法的泛化能力。

本文提出了一种自动在线激光雷达相机自标定方法CFNet。CFNet是全自动的，不需要特定的校准场景、校准目标和初始校准参数。我们定义一个校准流来表示初始投影点的位置与地面真值之间的偏差。利用预测的校准流对初始投影点进行校正，以建立精确的2D-3D对应关系。采用EPnP算法计算RANSAC方案的最终外部参数。为了使CFNet完全自动化，我们还提出了一种语义初始化算法。更具体地说，CFNet的贡献如下:

（1）据我们所知，CFNet是第一种结合了深度学习和几何方法的激光成像相机外部标定方法。与直接预测标定参数相比，CFNet具有较强的泛化能力。

（2）定义校准流来预测初始投影点位置与地面真值之间的偏差。校准流可以将初始投影移到正确的位置，构建精确的2D-3D对应。

（3）引入二维/三维实例质心(IC)来估计初始外部参数。利用该语义初始化过程，CFNet可以自动执行激光雷达摄像机标定。

总结： （1）早期的雷达相机标定方法：依赖于特定的目标，手动或自动标注二三维对应关系；无特定目标时利用图像和点云的强度以及边缘相关性来计算外部参数，依赖于准确的初始外部参数或附加的运动信息(手眼标定初始化)。

（2）深度学习方法的弊端：标定误差不能满足要求；当传感器参数发生变化时，需要大量的训练数据对网络模型进行微调，限制了算法的泛化能力。

（3）引入二维-三维实例质心估计初始外部参数。

方法

在本节中，我们首先描述校准流的定义。然后提出了校准方法CFNet，包括网络结构、损失函数、语义初始化和训练细节。如下图所示为本文提出的CFNet方法，是一种估计三维激光雷达与二维相机之间转换参数的自动在线外部校准方法。

实验与结果

对KITTI数据集的评价结果如表1所示。

可以看出，在所有这些测试序列中，平均平移误差小于2cm，平均旋转误差小于0.13度。图5显示了两个CFNet预测的例子。我们可以看到，重新校准后的投影深度图像和RGB图像中的参考对象对齐准确。在所有的测试序列中，序列01的校准误差最大。主要原因是这个序列是从高速公路场景中收集的，而高速公路场景不包括在训练数据集中。

与随机初始标定参数相比，使用语义初始化的校准结果能提供更好的初始标定参数。因此，最终的校准误差要小得多。此外，语义初始化过程是自动的，基本要求是场景中有效实例对应的数量≥3。由结果可知，语义初始化的平移误差远大于旋转误差。即使语义初始化提供的初始参数与真值偏差较大，我们提出的CFNet也可以预测准确的校准参数。图6显示了一些带有语义初始化的CFNet预测示例。第一列检测实例之间存在较多遮挡，导致2D-3D实例匹配不准确，预测的初始标定参数偏差较大。第二列图像中的实例遮挡比第一列图像中的要好，因此初始误差要小得多。在第三列中检测到的二维和三维实例是完整的，没有任何遮挡，因此初始校准参数非常准确，与地面真实值的偏差很小。在最后一列中，我们发现了2D和3D实例之间的不匹配(用箭头表示)，但我们仍然可以得到一个很好的初始校准值。通过语义初始化，无论初始校准误差大小，CFNet都能准确地重新校准。

由KITTI原始记录的校准结果可知，CFNet的平均平移误差为0.995cm (X, Y, Z: 1.025cm, 0.919cm, 1.042cm)，平均角度误差为0.087度(Roll, Pitch, Yaw: 0.059度，0.110度，0.092度)。很明显，CFNet远远优于RegNet和CalibNet。虽然CalibNet的误校准范围(±0.2m，±20度)小于CFNet(±1.5m，±20度)，但CFNet的校准性能远优于CalibNet。

我们还在KITTI360基准数据集上测试了CFNet的性能。结果如图7所示。尽管在一个周期的数据集上重新训练，但在测试序列中获得了很好的结果。因此，当传感器参数（如相机焦距或LiDAR-Camera的外在参数）发生变化时，都具有优异的性能。这里也推荐「3D视觉工坊」新课程《如何学习相机模型与标定？（代码+实战）》。

结论

本文提出了一种新的激光雷达相机在线外部标定算法。为了表示激光雷达点云的初始投影与地面真值的偏差，我们定义了一个称为校准流的图像。受光流网络的启发，设计了一个深度校准流网络CFNet。通过CFNet的预测对初始投影点进行校正，以构建精确的2D-3D对应关系。利用RANSAC方案中的EPnP算法，通过迭代细化估计外部参数。实验证明了CFNet的优越性。在KITTI360数据集上的附加实验说明了我们的方法的泛化。

相关问答

这个不用校准的,这功能是智能手机特有的。

如果360度万能角度尺不准了,需要进行校准。首先,将角度尺平放,将一个垂直直线放在其中一条标记线上,在垂直线上标记0度。然后将同样的垂直线放在另一条标记...

新装360全景摄像头通常需要与原车传感器(例如超声波雷达、盲点监测摄像头)进行连接,以获得车辆周围的全面视野和辅助驾驶功能。连接过程涉及物理连接和软件...

3.在手机的硬件测试页面中,选择第十一项的【触摸屏测试】,点击该选项。4.在测试页面中,先随意触摸屏幕,以便让手机检测屏幕的偏差度,方便后续校准。5.绘...

在调试校正360度全景摄像头长度时,需要填写的是摄像头与测量参考点之间的距离。这个长度必须经过精确测量和校准,以确保摄像头捕捉到的图像和真实场景的对应关...

360校准错误的问题可能有多种原因,以下是一些可能的解决方案:重新启动电脑:有时候,简单的重新启动电脑就可以解决校准错误的问题。检查360安全卫士的版本:确...

奔驰e300车型摄像头校准方法如下:首先,停车在平整地面,打开车辆电源,启动发动机,保持车辆静止。然后,按下车内的“车设置”按钮,选择“视图”菜单,进入...

360行车记录仪ADAS(高级驾驶辅助系统)校正的方法如下:1.确保您的360行车记录仪已经安装并连接好。2.打开360行车记录仪配套的手机应用。根据您的手机系统...

发cxll给10086可以查流量使用情况。校准指令就是cxll发cxll给10086可以查流量使用情况。校准指令就是cxll

1.连接称重仪:将称重仪与电脑连接,并确保电脑能够识别到称重仪。2.打开校准软件:打开与称重仪匹配的校准软件,并选择“校准”选项。3.确认参数设置:确认称...