由于工作需求，需要将三维雷达点云数据投影到二维平面上，以便进行后续的可视化分析或与其他2D传感器（如摄像头）的数据融合。为此，我整理并实现了完整的3D到2D投影代码，并在此记录整个过程，以备日后查阅与复用。
下图展示了投影后的效果：原始的3D点云经过坐标变换与视角映射后，成功呈现在2D图像平面上，保留了关键的空间结构信息，为后续的目标检测、场景理解等任务奠定了基础。
原始点云
含强度信号转灰度图
纯绿色投影投影
增加颜色投影
该实现充分考虑了雷达坐标系与图像坐标系之间的转换关系，支持灵活调整投影参数（如俯仰角、偏航角、视场角等），具有良好的通用性和可扩展性。
1. pcl库的安装
sudo apt install libpcl-dev
2. opencv库的安装
sudo apt-get install libopencv-dev
3. 准备摄像机的内参标定
我使用的是棋盘标定法,用matlab做的,具体参考我的另一篇博客: https://www.cnblogs.com/cqwo/p/19179297
相机内参标定
相机内参素材
4. 相机雷达参数标定
标定参数图像
标定参数对应点云
具体步骤参数下面港大论文和公共的
参考论文：http://arxiv.org/abs/2103.01627
参考代码：https://github.com/hku-mars/livox_camera_calib
代码1():
#include <iostream>
#include <opencv2/opencv.hpp>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <algorithm> // for min_element, max_element
int main() {
// 1. 读取带 intensity 的 PCD
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);
if (pcl::io::loadPCDFile<pcl::PointXYZI>("your_pointcloud.pcd", *cloud) == -1) {
std::cerr << "❌ 无法加载 PCD 文件！" << std::endl;
return -1;
}
// 2. 提取有效点（含 intensity）
std::vector<pcl::PointXYZI> valid_points;
for (const auto& pt : cloud->points) {
if (std::isfinite(pt.x) && std::isfinite(pt.y) && std::isfinite(pt.z)) {
valid_points.push_back(pt);
}
}
if (valid_points.empty()) {
std::cerr << "⚠️ 没有有效点！" << std::endl;
return -1;
}
// 3. 构建 OpenCV 所需的 Point3f 列表（仅用于 projectPoints）
std::vector<cv::Point3f> object_points;
object_points.reserve(valid_points.size());
for (const auto& pt : valid_points) {
object_points.emplace_back(pt.x, pt.y, pt.z);
}
// 4. 相机内参（你的真实参数）
cv::Mat cameraMatrix = (cv::Mat_<double>(3, 3) <<
783.890724, 0.198476, 628.151868,
0.0, 783.350933, 382.160525,
0.0, 0.0, 1.0
);
// 5. 畸变系数（你的真实参数）
cv::Mat distCoeffs = (cv::Mat_<double>(5, 1) <<
-0.413786, 0.249752, 0.00262, -0.00224, 0.0
);
// 6. 外参 T_C^L（你的真实参数）
Eigen::Matrix4f T_CL;
T_CL << -0.013604, -0.999425, -0.031069, 0.075062,
-0.024031, 0.031390, -0.999218, 0.037218,
0.999619, -0.012847, -0.024444, -0.692299,
0.0, 0.0, 0.0, 1.0;
// 提取 R 和 t
cv::Mat R_mat = (cv::Mat_<double>(3, 3) <<
T_CL(0,0), T_CL(0,1), T_CL(0,2),
T_CL(1,0), T_CL(1,1), T_CL(1,2),
T_CL(2,0), T_CL(2,1), T_CL(2,2)
);
cv::Mat t_vec = (cv::Mat_<double>(3, 1) <<
T_CL(0,3), T_CL(1,3), T_CL(2,3)
);
// 转为旋转向量
cv::Mat rvec;
cv::Rodrigues(R_mat, rvec);
// 7. 投影
std::vector<cv::Point2f> image_points;
cv::projectPoints(object_points, rvec, t_vec, cameraMatrix, distCoeffs, image_points);
// 8. 创建图像（根据你的相机分辨率）
int img_width = 1280; // 请确认你的图像宽度
int img_height = 720; // 请确认你的图像高度
cv::Mat img = cv::Mat::zeros(img_height, img_width, CV_8UC3);
// 9. 归一化 intensity 到 [0, 255]
float min_i = std::numeric_limits<float>::max();
float max_i = std::numeric_limits<float>::lowest();
for (const auto& pt : valid_points) {
if (pt.intensity < min_i) min_i = pt.intensity;
if (pt.intensity > max_i) max_i = pt.intensity;
}
float range = max_i - min_i;
if (range <= 0) range = 1.0f; // 防止除零
// 10. 绘制点（灰度图）
for (size_t i = 0; i < image_points.size(); ++i) {
const cv::Point2f& p = image_points[i];
if (p.x >= 0 && p.x < img_width && p.y >= 0 && p.y < img_height) {
float norm_i = (valid_points[i].intensity - min_i) / range;
int gray = static_cast<int>(norm_i * 255.0f);
cv::circle(img, cv::Point(static_cast<int>(p.x), static_cast<int>(p.y)),
2, cv::Scalar(gray, gray, gray), -1);
}
}
// 11. 保存结果
std::string out_file = "projection_intensity.png";
if (cv::imwrite(out_file, img)) {
std::cout << "✅ 投影图像已保存为: " << out_file << std::endl;
std::cout << "📊 Intensity 范围: [" << min_i << ", " << max_i << "]" << std::endl;
} else {
std::cerr << "❌ 无法保存图像！" << std::endl;
return -1;
}
return 0;
}
附件2: 带上色的图
#include <pcl/point_types.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/registration/icp.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/point_cloud.h>
#include <opencv2/opencv.hpp>
#include <lidar/LdsLidar.h>
#include <thread>
#include <cmath>
#include <algorithm>
#include <pcl/common/transforms.h>
#include <pcl/common/common.h>
#include <iostream>
#include <chrono>
#include <pcl/point_cloud.h>
int main() {
// 1. 读取带 intensity 的 PCD
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);
if (pcl::io::loadPCDFile<pcl::PointXYZI>("../Config/PCD/SLIDER.pcd", *cloud) == -1) {
std::cerr << "❌ 无法加载 PCD 文件！" << std::endl;
return -1;
}
// 2. 提取有效点（含 intensity）
std::vector<pcl::PointXYZI> validPoints;
for (const auto& pt : cloud->points) {
if (std::isfinite(pt.x) && std::isfinite(pt.y) && std::isfinite(pt.z)) {
validPoints.push_back(pt);
}
}
if (validPoints.empty()) {
std::cerr << "⚠️ 没有有效点！" << std::endl;
return -1;
}
// 3. 构建 OpenCV 所需的 Point3f 列表（仅用于 projectPoints）
std::vector<cv::Point3f> objectPoints;
objectPoints.reserve(validPoints.size());
for (const auto& pt : validPoints) {
objectPoints.emplace_back(pt.x, pt.y, pt.z);
}
// 4. 相机内参（你的真实参数）
cv::Mat cameraMatrix = (cv::Mat_<double>(3, 3) <<
783.890724, 0.198476, 628.151868,
0.0, 783.350933, 382.160525,
0.0, 0.0, 1.0
);
// 5. 畸变系数（你的真实参数）
cv::Mat distCoeffs = (cv::Mat_<double>(5, 1) <<
-0.413786, 0.249752, 0.00262, -0.00224, 0.0
);
// 6. 外参 T_C^L（你的真实参数）
Eigen::Matrix4f T_CL;
T_CL << -0.013604, -0.999425, -0.031069, 0.075062,
-0.024031, 0.031390, -0.999218, 0.037218,
0.999619, -0.012847, -0.024444, -0.692299,
0.0, 0.0, 0.0, 1.0;
// 提取 R 和 t
cv::Mat R_mat = (cv::Mat_<double>(3, 3) <<
T_CL(0,0), T_CL(0,1), T_CL(0,2),
T_CL(1,0), T_CL(1,1), T_CL(1,2),
T_CL(2,0), T_CL(2,1), T_CL(2,2)
);
cv::Mat t_vec = (cv::Mat_<double>(3, 1) <<
T_CL(0,3), T_CL(1,3), T_CL(2,3)
);
// 转为旋转向量
cv::Mat rvec;
cv::Rodrigues(R_mat, rvec);
// 7. 投影
std::vector<cv::Point2f> imagePoints;
cv::projectPoints(objectPoints, rvec, t_vec, cameraMatrix, distCoeffs, imagePoints);
// 8. 创建图像（根据你的相机分辨率）
int imgWidth = 1280; // 请确认你的图像宽度
int imgHeight = 720; // 请确认你的图像高度
// 9. 归一化 intensity 到 [0, 255]
float minI = std::numeric_limits<float>::max();
float maxI = std::numeric_limits<float>::lowest();
for (const auto& pt : validPoints) {
if (pt.intensity < minI) minI = pt.intensity;
if (pt.intensity > maxI) maxI = pt.intensity;
}
float range = maxI - minI;
if (range <= 0) range = 1.0f; // 防止除零
// === 9. 创建单通道灰度图 ===
cv::Mat grayImg = cv::Mat::zeros(imgHeight, imgWidth, CV_8UC1);
for (size_t i = 0; i < imagePoints.size(); ++i) {
const cv::Point2f& p = imagePoints[i];
int x = static_cast<int>(p.x + 0.5);
int y = static_cast<int>(p.y + 0.5);
if (x >= 0 && x < imgWidth && y >= 0 && y < imgHeight) {
float norm_i = (validPoints[i].intensity - minI) / range;
uint8_t val = static_cast<uint8_t>(std::min(255.0f, std::max(0.0f, norm_i * 255.0f)));
// 可选：保留最强反射（最大 intensity）
auto& current = grayImg.at<uint8_t>(y, x);
if (val > current) {
current = val;
}
}
}
// === 10. 应用 JET 伪彩色 ===
cv::Mat colorImg;
cv::applyColorMap(grayImg, colorImg, cv::COLORMAP_JET);
// === 11. 将无点区域设为黑色（默认 JET 中 0=深蓝，我们改为黑）===
cv::Mat mask = (grayImg == 0);
colorImg.setTo(cv::Scalar(0, 0, 0), mask); // BGR 黑色
// 12. 保存结果
std::string outFile = "projection_color.png";
if (cv::imwrite(outFile, colorImg)) {
std::cout << "✅ 投影图像已保存为: " << outFile << std::endl;
std::cout << "📊 Intensity 范围: [" << minI << ", " << maxI << "]" << std::endl;
} else {
std::cerr << "❌ 无法保存图像！" << std::endl;
return -1;
}
return 0;
}
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。