Lidar与camer标定技术杂谈
TEScalib:一种用于自动驾驶平台的无目标激光雷达立体相机外部校准方法。通过应用基于三维网格重建的点云配准和光度误差函数，可以准确、稳健地校准激光雷达和立体相机。
使用光度误差功能的左右摄像机校准。上图来自左摄像头。中间和下部图像来自校准前后的右侧相机。优化后，蓝色矩形中的关键点会精确对齐。
光度校准
在KITTI数据集的序列00上评估的激光雷达立体以及左右相机校准结果。红线显示了激光雷达立体粗校准结果误差（高斯随机初始化，旋转平均误差为3.0，平移平均误差为0.3 m）。蓝线显示左右相机校准结果误差（高斯随机初始化，旋转平均误差为1.0，平移平均误差为0.1 m）。
基于改进差分进化粒子群的摄像头标定
针对多参数相机标定问题，提出了改进差分进化算法和粒子群算法在相机标定中的融合优化算法。引入自适应判断因子来控制，每次迭代过程中差分进化的改进（IDE）算法和粒子群优化（PSO）算法，解决了传统相机校准算法的多个参数问题。所提出的算法可以保证种群个体进化的多样性和有效性。实验结果表明，该算法具有良好的全局搜索能力和局部优化能力。它可以准确地校准相机。其收敛精度、速度和鲁棒性显著优于粒子群算法（PSO）、差分进化算法（DE）、遗传算法（GA）和张方法。它提高了建议的精度和速度。
基于噪声摄像机观测的神经隐式表面重建
在过去的几年里，用神经辐射场表示3D对象和场景变得非常流行。最近，已经提出了基于表面的表示，其允许从简单的照片重建3D对象。然而，大多数当前技术都需要精确的相机校准，即对应于每个图像的相机参数，这在现实生活中往往是一项很难完成的任务。为此，提出了一种从有噪声的相机参数中学习3D表面的方法。可以在学习表面表示的同时学习相机参数，并证明即使在有噪声的相机观测的情况下，也能进行高质量的3D表面重建。
使用多视图空间定位和重新识别扩展SoccerNet
足球视频是计算机视觉的丰富游乐场，涉及许多元素，如球员、线条和特定对象。因此，为了捕捉这项运动的丰富性并进行精细的自动化分析，发布了SoccerNet-v3，这是SoccerNet数据集的主要扩展，提供了各种各样的空间注释和跨视图对应关系。SoccerNet的广播视频包含重要动作的回放，能够从不同的角度检索相同的动作。用详尽的本地信息对那些显示相同时刻的现场和重播动作帧进行注释。具体来说，标记线条、球门部位、球员、裁判、球队、显著物体、球衣号码，并在视图之间建立球员对应关系。这在33986张足球图像上产生了1324732个注释，使SoccerNet-v3成为多视图足球分析的最大数据集。衍生任务可能受益于这些注释，如相机校准、玩家定位、团队识别。
ECCNet：用于实时多类别车辆跟踪和车速估计的高效链式中心网络
为了实现交通视频的智能感知，克服计算模块的分散和多任务的分离处理，提出了一种统一的高效链式中心网络（ECCNet）框架，同时实现检测、车辆分类、跟踪和车速估计。首先，为了进行速度-精度的权衡，提出了CA-CenterNet，它可以通过嵌入坐标注意力来检测车辆并对车辆类型进行分类，从而更准确地服务于跨框架任务。其次，采用3D卷积分别构建用于数据关联和速度估计的自适应分支。
ECCNet的框架。两个相邻的帧被称为一个节点，作为输入。网络同时完成对两个相邻帧的多目标跟踪。通过并集交叉匹配策略将两个相邻节点中的同一帧相关联，从而将整个视频序列相关联。
运动目标检测流程图。
网络云平台的架构图。
sprint的运动视频帧提取。
YOLOv3的结构。
内部摄像头参数矩阵。
基于棋盘结构几何的摄像机标定。
内部摄像头失真问题。
被动视觉定位方法概述。该工艺包括（a）预处理；（b） 行人检测；（c） 位置估计。
引导注意力。
兴趣域。
红色兴趣域。
用于估计目标位置的投影变换。
实验环境。
