LiDAR Camera Calibration (LCC)系列，主要介绍激光雷达相机外参标定相关内容。本文主要介绍相关的开源代码和软件，主要包括target-based和targetless两类方法，每个方法对应标题后说明了方法的提出年份和开源代码的语言（c : c++, p: python, m: matlab）。
Github同步更新：
一般就是使用标定板，可以是一块普通的矩形板，可以添加视觉效果（比如棋盘格，ArUco)，可以在矩形板上镂空出特定形状。
主要参考了华盛顿大学2004年的论文，旷视提供了开源实现和博客解读。 2D激光雷达和相机标定。主要利用点到平面和边缘的约束。详情见旷视的博客和开源：
来自CMU Robotics Institute, 已知最早3D Laser与相机标定的工作（2005年），基于matlab的图形用户界面，进行激光雷达相机外参标定。
target-based方法，使用标定板，采集多个点云图像对，在点云对应的深度图(range image)上框选标定板平面区域，即可求解外参（两阶段）。
第一阶段，分别最小化两个坐标系中相机中心到平面距离和平面法向量的差异，依次线性求解平移和旋转；第二阶段，最小化point-to-plane距离，迭代求解。
来自密歇根大学，ROS / C++实现。
使用checkerboard,最少需要3个视图。自动提取特征，图像中提取checkerboard在相机坐标系中的法向量和距相机原点的距离，点云中提取checkerboard的平面点。
来自印度IIIT Robotics Research Lab，ROS package (C++)实现, 介绍了两种方法。 第一种方法是基于2D-3D correspondence，采用中空矩形纸板作为目标，在图像上手动标记角点2D像素，在点云中手动框选线段，利用直线相交求解3D角点，然后利用PnP+ransac求解外参。缺点是手动标记像素点，误差较大。
第二种方法是基于3D-3D correspondence，与方法一主要区别是图像中特征的提取。通过采用ArUco二维码，可直接计算出角点在相机坐标系的3D坐标，然后利用ICP求解外参。
来自日本名古屋大学Nagoya University，python实现。完整流程如下：
该方法的3D角点提取方式比较独特。基于点云反射强度和chessboard颜色模式的相关性，利用一个chessboard model来拟合（匹配）分割的点云，从而利用chessboard model的角点位置表示chessboard点云中角点位置。
来自HKUST，C++实现。
采用要给矩形板作为target。首先对激光雷达和相机时间同步，图像纠正。全自动地在图像中提取矩形板角点和边缘，在点云中提取矩形板的边缘和平面点。矩形特征2D-3D匹配。采用point-to-line和point-inside-polygon约束进行优化。
target-based方法，使用了chessboard, 理论上采集一个pose就可以求解。 特征提取分别自动提取chessboard在相机和激光雷达坐标系的平面和边缘信息，利用line correspondence (direction constraint + point to line constraint)和plane correspondence (normal constraint + point to plane constraint)进行标定。
只能使用matlab的lidar toolbox,看不到源代码
该方法与plycal(2018c)的标定板点云特征提取方法类似。
来自 Robotics Institute, University of Michigan。matlab实现。
主要创新点是标定板点云的角点估计方法。假设在lidar原点有一个大小已知的参考标定板（reference target），希望标定板点云通过H变换后，与这个参考标定板尽量重合。优化求解H，将参考标定板角点反变换，即可得到点云中的角点位置。
之前方法采用先拟合边缘再直线相交的思路，只利用了边缘点，受点云深度测量误差影响，最后提取的四个角点可能与target真实几何不兼容。该方法的角点估计考虑了所有点，估计的四个角点也是与真实target形状兼容。
该方法与ILCC(2017p)方法类似，都是通过与一个参考的标定板拟合，从而对标定板点云参数化建模，求得角点。只是ILCC利用了点云反射强度，本方法只利用点云几何信息。
github开源：https://github.com/UMich-BipedLab/extrinsic_lidar_camera_calibration
该开源代码也实现了Matlab Lidar Toolbox (2018m)参考论文中点云边缘提取的方法：1）先ransac拟合平面，2),找到每条scanline的端点（边缘点），3）将标定板点云投影到拟合平面，4）拟合每条scan line, 5)将边缘点投影到拟合的scan line, 6)用ransac拟合边缘，去除边缘点粗差
参考论文：2020_IEEE access_Improvements to Target-Based 3D LiDAR to Camera Calibration
Livox官方提供的Lidar-Camera标定代码，图像和点云都是手动标点。 github开源: https://github.com/Livox-SDK/livox_camera_lidar_calibration
来自北航，python实现，针对固态激光雷达Livox.
提出多帧点云集成精化算法(temporal-spatial-based geometric feature refinement)和基于反射强度分布的角点估计方法(reflectance intensity distribution-based 3D corner estimation )。自动提取2D和3D角点，然后用基于Ransac的PnP求解。
来自 Intelligent Systems Lab (LSI), Universidad Carlos III de Madrid, Leganes, ROS + C++实现。可以将激光雷达、单目相机、立体相机进行任意成对标定。需要比较特殊的标定板：
最新版只有autoware_camera_lidar_calibrator， 直接手动选点的方法，在下文介绍。
使用标定板结果更准确一些，但是操作不方便。1）需要手动grab多个关键帧，2)使用glviewer显示点云，不好调整视角，3）需要手动选择平面点云
棋盘格角点的亚像素级检测，matlab实现。可用于针孔相机，鱼眼相机，全景相机。来自论文：
是基于自然场景的targetless方法，不需要手动标记，但是需要较准确初值。
（一个比较好的标定场景，包含路灯，树木，道路等物体）
注意：核心代码没有开源
没有target,但是需要手动标记图像和点云中的对应点，至少选择9对。
先将图像进行灰度化和直方图均衡化，得到灰度图像，然后根据点云的反射强度和法向量特征将点云投影为图像，使用标准化互信息衡量灰度图像和点云生成图像之间相关性。使用粒子群优化算法不断改变外参，直到粒子收敛，达到标准化互信息的最大值。
论文：2012_Automatic Targetless Extrinsic Calibration of a 3D Lidar and Camera by Maximizing Mutual Information
局限性：对于图像，光照会影响像素亮度，且存在阴影问题；点云强度则不同，由于激光是主动式。因此，利用多视图数据，可以尽量避免光照、阴影造成的噪声，使误差函数相对平滑，便于优化。
来自南方科技大学。图像先灰度化再提取边缘，点云先分别得到反射强度图和深度图，再提取边缘。通过ICP优化，求解最佳外参。
来自香港大学。分别提取点云和图像中的边缘特征，然后匹配特征，最后优化求解最佳外参来更好地对齐点云边缘和图像边缘。
论文详细解读请参考：
场景选择： 避免圆柱物体，避免纹理过多（树木，花草等），边缘均匀分布，多个方向的边缘 Issue with finding depth-continuous regions （github）
