文章：Robust Intrinsic and Extrinsic Calibration of RGB-D Cameras
作者：Filippo Basso, Emanuele Menegatti, and Alberto Pretto.
编译：点云PCL
代码：https://github.com/iaslab-unipd/rgbd_calibration
本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。内容如有错误欢迎评论留言，未经作者允许请勿转载，欢迎各位同学积极分享和交流。
公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起每交流一起进步,有兴趣的可联系微信：920177957（请务必按照文章尾部要求备注添加，否则不予通过）。
摘要
常见的消费级RGB-D相机具有粗略的内参和外参校准数据的，通常无法满足许多机器人应用所需的精度要求。我们的校准方法基于一种新颖的双分量测量误差模型，该模型统一了基于不同技术RGB-D相机的误差源，如结构光3D相机和飞行时间相机，提出的的标定模型使用两种不同的参数实现对图像的矫正，这两种图通过控制函数的线性组合提供校准读数，非线性优化算法在单个优化步骤中细化相机深度传感器刚性位移以及上述参数，确保结果高度可靠。
主要贡献
本文的主要贡献如下：
一个通用的、可实现的测量误差模型，该模型以统一的方式很好地描述了不同深度传感器类型的误差。
一种空间和参数不畸变图像，以紧凑有效的方式模拟结构光深度传感器的畸变模型
一种新的优化框架，在估计摄像机深度传感器刚性位移以及描述深度测量系统误差的参数模型
提出方法的开源实现，集成在ROS（机器人操作系统）框架内。
内容介绍
标定算法流程
深度图矫正，不同距离的一面墙的点云矫正后的结果
校准后的RGB图与深度图配准与使用默认校准参数生成RGB图与深度图配准结果的对比
总结
本文提出了一种通用RGB-D传感器标定的新方法，开源的校准程序仅要求用户在最小结构的环境中收集数据，并在输出中提供传感器的内参和外参数据，通过两个不同的分量，一个畸变误差和一个全局系统误差来概括深度传感器误差，畸变误差使用每像素参数无畸变图建模，在算法的第一阶段进行估计，在算法的第二阶段，在鲁棒优化框架内，估计深度系统误差以及摄像机深度传感器对准，文章用几个传感器进行了详尽的实验，结果表明，该方法提供了高度精确的结果，优于其他最先进的方法。与其他方法相比，方法非常适合不同类型的深度传感器，同时需要相对简单的标定要求。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享
扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，请后台发送“知识星球”获取二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
联系客服
