基于激光雷达和摄像机的十字路口检测(2)
从美国的 DAPAR 挑战赛到中国的“智能车未来挑战赛”，几乎每一辆自主车上都有机关雷达
的身影。如图1.1、图1.2 中红色框内都是自主车使用的各类激光雷达，包括单线激光雷达、
多线激光雷达等等。摄像机是计算机视觉中的第一步，已经成为计算机视觉研究中的经典和
热点课题，也在自主车导航控制中占据越来越重要的地位，计算机视觉是利用图像信息获取
周围环境情况，采集图像的工具大多利用摄像机，摄像机成本低廉，但测定距离的精确度低，
受光照等因素的影响比较大，识别速度也比较慢。单独采用摄像机或者激光雷达一个传感器
都难以全面而精确的完成道路检测，需要采用多传感器数据融合的办法，优势互补提高路口
检测的可靠性、准确性和全局性[1]。 1.2 研究现状
近几年来，基于多传感器数据融合的城市环境中的自主驾驶成为研究热点，而多传感器
的空间标定配准直接影响着信息融合的准确度，同时也是实现信息融合的基础。由于标定在
数据融合中的重要性，迄今为止，已经有不少学者对此做过研究，提出过很多的方法，其中
摄像机标定的方法有很多，比如：zhang[2]
的平面标定算法是目前报道的最为成功和实用的算
法之一，它利用平面模板代替传统的标定块，简单灵活且有较好的标定精度。但是，该算法
需要测量出模板上角点的物理坐标，并需对每幅图像提取角点，对角点及其图像点进行匹配。
Meng[3]等人在 Zhang 的算法基础上对法进行了改进，利用圆周及过圆心的若干条直线作为标
定模板，但模板的制作过程中仍需测量圆心的物理位置，并且测量误差会影响该算法的精确
度和稳定性。Tsai[4]的“两步”标定法最为常用。此方法先用径向排列约束得到部分外部参数
的精确解，然后再将其余外部参数与畸变修正参数进行迭代求解。该方法计算量适中,精度较
高，但需要使用形状、尺寸已知的标定参照物，并且它们的精确值通常需要使用三坐标测量
来获得。基于全局坐标的多传感器联合标定大致可以分为三种：同名坐标唯一法、中介坐标
唯一法和世界坐标唯一法。
在城市道路中，十字路口的检测是一个重要的环节，路口检测对于无人自主车在户外的
行驶具有重要意义，是自主车导航和道路跟踪中的重要环节，也是本设计研究的重点。通过
多传感器的数据融合、提取路口特征、实现路口检测是当今热门话题，已有学者提出一些成
功的算法。
1、国防科学技术大学谌彤童根据三文激光雷达的数据分布特征，基于 Toe-Finding 算法的路口检测[5]
:该方法首先分析了车前方的可通行性，然后利用激光雷达的光束模型和带有车
宽约束的 Toe-Finding 算法分析路口类型，检测出各种类型的路口;同时针对具有低信噪比的路边，在最大最小值栅格地图中使用霍夫变换提取直线，提高路边检测和路口检测的可靠性。
2、南京理工大学石磊针对非结构化道路环境的理解，提出一种新的 SMFCM 算法[6]:利用道路图像中道路的几何特征，构造了关于形状的关系隶属度矩阵，将传统的模糊类聚算法
改进成了基于形状模型的模糊类聚算法;该SMFCM 算法某些参数与道路环境相关， 该进了非
结构化道路环境中道路分割的效果。
本设计基于已有的标定参数，将激光雷达数据投影到摄像机图像上去，可以有效实现两
者的空间配准。由于激光雷达测量的精确性，且受周围环境的影响较小，利用激光雷达作为