C++与Python实现LiDAR点云投影对比:关键差异与易错点详解

问题背景

在多传感器融合任务中,常需将LiDAR点云投影到相机图像。然而,不同语言(如C++和Python)的实现可能存在细微差异,导致投影结果不一致。本文通过对比两段功能相近的代码(C++和Python),分析常见错误场景,总结避坑指南。

代码结构对比

C++代码核心流程(代码1)

// 1. 加载内参和外参
LoadIntrinsic(intrinsic_json, K, dist_coeffs);
LoadExtrinsic(extrinsic_json, T_lidar2cam);// 2. 转换点云到相机坐标系
pcl::transformPointCloud(pcd, pcd_cam, T_lidar2cam);// 3. 投影到原始图像(应用畸变参数)
cv::Mat img_result = ProjectToRawImage(img, K, dist_coeffs, T_lidar2cam, pcd_cam
);// 4. 显示结果(Pangolin)

Python代码核心流程(代码2)

# 1. 加载内参和外参
K, dist_coeffs = load_intrinsic(intrinsic_json)
T_lidar2cam = load_extrinsic(extrinsic_json)# 2. 转换点云到相机坐标系
pts_cam = transform_points(pts, T_lidar2cam)# 3. 生成去畸变图像(错误步骤)
img_undistorted = cv2.undistort(img, K, dist_coeffs)# 4. 投影到图像(错误使用原始参数)
pts_2d, _ = cv2.projectPoints(pts_cam, rvec, tvec, K, dist_coeffs  # 导致重复畸变
)# 5. 显示结果(OpenCV)

关键差异与易错点

1. 畸变处理逻辑

步骤C++代码Python代码(原错误实现)正确做法(Python修正)
图像预处理保持原始图像对图像去畸变选择:保持原始或更新内参
投影参数使用原始K和畸变参数错误使用原始K和畸变参数去畸变后需用新K并无畸变
结果一致性与原始图像匹配与去畸变图像不匹配根据需求选择方案
错误示例(Python)
# 错误:去畸变后仍用原始参数
img_undistorted = cv2.undistort(img, K, dist_coeffs)
pts_2d, _ = cv2.projectPoints(pts_cam, ..., K, dist_coeffs)
正确修正
# 方案一:保持原始图像
img_result = img.copy()
pts_2d, _ = cv2.projectPoints(pts_cam, ..., K, dist_coeffs)# 方案二:更新内参并无畸变
new_K, _ = cv2.getOptimalNewCameraMatrix(K, dist_coeffs, (w, h), 0)
img_undistorted = cv2.undistort(img, K, dist_coeffs, None, new_K)
pts_2d, _ = cv2.projectPoints(pts_cam, ..., new_K, None)

2. 外参矩阵加载与乘法顺序

C++代码
// 正确:点云坐标右乘外参矩阵(T * p)
pcl::transformPointCloud(pcd, pcd_cam, T_lidar2cam);
Python代码
# 正确:齐次坐标右乘外参矩阵(T @ p_hom.T)
pts_hom = np.hstack((pts, np.ones((len(pts),1))))
pts_cam = (T_lidar2cam @ pts_hom.T).T[:, :3]

3. 数据类型与精度

易错点
# 错误:int()直接截断小数
x, y = int(pt[0][0]), int(pt[0][1])# 正确:四舍五入
x, y = np.round(pt[0]).astype(int)

4. 坐标系定义

Python 易错点
# 检查点云坐标系(示例:Y轴取反)
pts[:, 1] *= -1  # 根据实际传感器调整

总结:避坑指南

  • 畸变处理二选一
    • 原始图像:使用原始内参和畸变参数。
    • 去畸变图像:更新内参并无畸变。
  • 矩阵加载验证
# 打印外参矩阵确认
print("T_lidar2cam:\n", T_lidar2cam)
  • 坐标系对齐
    • 通过标定板验证投影点与图像特征是否对齐。
    • 检查点云与相机的轴方向定义。
  • 精度一致性
    • 对比C++和Python的浮点计算中间结果(如变换后的点坐标)。
  • 可视化调试
# 绘制特征点辅助调试
cv2.circle(img, (cx, cy), 5, (0,0,255), -1)  # 图像中心

完整代码参考

C++关键代码(正确实现)

cv::Mat ProjectToRawImage(cv::Mat img, Eigen::Matrix3d K,std::vector<float> dist, Eigen::Matrix4d T) {pcl::PointCloud<pcl::PointXYZI> pcd_cam;pcl::transformPointCloud(pcd, pcd_cam, T);std::vector<cv::Point3f> points_3d;for (auto &p : pcd_cam) {if (p.z > 0) points_3d.emplace_back(p.x, p.y, p.z);}std::vector<cv::Point2f> points_2d;cv::projectPoints(points_3d, cv::Vec3f(0,0,0), cv::Vec3f(0,0,0),convertMatrix(K), convertDistCoeffs(dist), points_2d);cv::Mat result = img.clone();for (auto &pt : points_2d) {if (pt.x >=0 && pt.x < img.cols && pt.y >=0 && pt.y < img.rows) {cv::circle(result, pt, 2, cv::Scalar(0,255,0), -1);}}return result;
}

结语

通过对比C++与Python的实现差异,可发现 畸变处理、矩阵乘法顺序 和 坐标系定义 是核心易错点。在实际开发中,建议通过可视化中间结果、打印关键参数和逐步骤验证来确保一致性。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/70684.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据结构☞泛型

一.基础定义与应用方向 1.定义&#xff1a; 一般的类和方法&#xff0c;只能使用具体的类型 : 要么是基本类型&#xff0c;要么是自定义的类。如果要编写可以 应用于多种类型 的代码&#xff0c;这种刻板的限制对代码的束缚就会很大。----- 来源《 Java 编程思想》对泛型的介…

算法-数据结构-图-邻接表构建

邻接表的基本概念 顶点&#xff08;Vertex&#xff09;&#xff1a; 图中的每个顶点用一个节点表示。 每个顶点存储一个链表或数组&#xff0c;用于记录与该顶点直接相连的其他顶点。 边&#xff08;Edge&#xff09;&#xff1a; 如果顶点 A 和顶点 B 之间有一条边&#xf…

再论Spring MVC中Filter和HandlerInterceptor的优先级

在Spring MVC中&#xff0c;Filter和HandlerInterceptor的执行顺序及优先级如下&#xff1a; 1. 执行顺序与优先级 Filter&#xff08;Servlet规范&#xff09;的优先级高于 HandlerInterceptor&#xff08;Spring MVC框架&#xff09;。 请求处理流程&#xff1a; Filter链&a…

LeetCode 每日一题 2025/2/17-2025/2/23

记录了初步解题思路 以及本地实现代码&#xff1b;并不一定为最优 也希望大家能一起探讨 一起进步 目录 2/17 1287. 有序数组中出现次数超过25%的元素2/18 2080. 区间内查询数字的频率2/19 624. 数组列表中的最大距离2/20 2595. 奇偶位数2/21 2209. 用地毯覆盖后的最少白色砖块…

C#中提供的多种集合类以及适用场景

在 C# 中&#xff0c;有多种集合类可供使用&#xff0c;它们分别适用于不同的场景,部分代码示例提供了LeetCode相关的代码应用。 1. 数组&#xff08;Array&#xff09; 特点 固定大小&#xff1a;在创建数组时需要指定其长度&#xff0c;之后无法动态改变。连续存储&#xf…

5秒修改文件默认打开方式-windows版

这里写自定义目录标题 今天做前端开发遇见我的ts文件默认打开方式是暴风影音&#xff0c;但是我想让他默认用vscode打开&#xff0c;在vscode 找了半天也没搞定&#xff0c;从网上搜索到了修改方式&#xff0c;只需5秒钟。下面就来看看吧。 &#x1f4c1; 想要改变文件的默认打…

2025年信息科学与工程学院科协机器学习介绍——机器学习基本模型介绍

机器学习 目录 机器学习一.安装基本环境conda/miniconda环境 二.数据操作数据预处理一维数组二维数组以及多维数组的认识访问元素的方法torch中tenson的应用张量的运算张量的广播 三.线性代数相关知识四.线性回归SoftMax回归问题&#xff08;分类问题&#xff09;什么是分类问题…

计算机毕业设计Hadoop+Spark+DeepSeek-R1大模型民宿推荐系统 hive民宿可视化 民宿爬虫 大数据毕业设计(源码+文档+PPT+讲解)

温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 作者简介&#xff1a;Java领…

业务应用和大数据平台的数据流向

概述 业务应用与大数据平台之间的交互是实现数据驱动决策和实时业务处理的关键环节。其交互方式多样&#xff0c;协议选择取决于数据流向、实时性要求及技术架构。一句话总结&#xff0c;数据流向可以是从业务应用写入大数据平台&#xff0c;也可以是大数据平台回写至业务应用…

山东大学软件学院nosql实验一环境配置

环境&#xff1a;前端vue后端springboot 软件环境&#xff1a; MongoDB MongoDBCompass 实验步骤与内容&#xff1a; 在官网下载安装包&#xff08;最新版&#xff09; 配置环境环境变量 在“高级系统设置-环境变量”中&#xff0c;可以将MongoDB添加到环境变量Path中(D:\…

《计算机视觉》——图像拼接

图像拼接 图像拼接是将多幅有重叠区域的图像合并成一幅全景或更大视角图像的技术&#xff0c;以下为你详细介绍&#xff1a; 原理&#xff1a;图像拼接的核心原理是基于图像之间的特征匹配。首先&#xff0c;从每幅图像中提取独特的特征点&#xff0c;如角点、边缘点等&#x…

后台管理系统-园区管理

功能演示和模版搭建 <template><div class"building-container"><!-- 搜索区域 --><div class"search-container"><div class"search-label">企业名称&#xff1a;</div><el-input clearable placeholde…

CSS中padding和margin属性的使用

在 HTML 中&#xff0c;padding 和 margin 是用于控制元素布局和间距的重要属性。 一、Padding&#xff08;内边距&#xff09; 定义&#xff1a;Padding 是指元素内容与元素边框之间的距离。它可以在元素内部创造出空白区域&#xff0c;使得内容不会紧贴着边框。 作用 增加元…

git中,如何查看具体单个文件的log

在 Git 中&#xff0c;可以使用多种方式查看单个文件的提交日志&#xff08;Log&#xff09;&#xff0c;以下详细介绍不同场景下的查看方法&#xff1a; 目录 一、基本命令查看文件的完整提交日志 二、查看文件提交日志并显示差异内容 三、限制显示的提交日志数量 四、按…

日常知识点之刷题一

1&#xff1a;流浪地球 0~n-1个发动机&#xff0c;计划启动m次&#xff0c;求最后启动的发动机的个数。 以及发动机的编号。&#xff08;模拟过程&#xff0c;每次手动启动的机器对应时间向两边扩散&#xff09; //输入每个启动的时间和编号 void test_liulang() {int n, m;ci…

C++面向对象编程技术研究

一、引言 面向对象编程&#xff08;OOP&#xff09;是一种程序设计方法&#xff0c;它将现实世界中的实体抽象为“对象”&#xff0c;并通过类和对象来实现程序的设计。OOP的核心思想包括封装、继承和多态&#xff0c;这些特性使得程序更加模块化、易于扩展和维护。C作为一种支…

Day54(补)【AI思考】-SOA,Web服务以及无状态分步解析与示例说明

文章目录 **SOA&#xff0c;Web服务以及无状态**分步解析与示例说明**分步解析与示例说明****1. 核心概念解析****2. 为什么说SOA与Web服务是“正交的”&#xff1f;****3. 架构风格 vs. 实现技术****4. 接口&#xff08;Interface&#xff09;的核心作用****5. Web服务的“被认…

【Deepseek高级使用教程】Deepseek-R1的5种高级进阶玩法,5分钟教会你Deepseek+行业的形式进行工作重构的保姆级教程

AI视频生成&#xff1a;小说文案智能分镜智能识别角色和场景批量Ai绘图自动配音添加音乐一键合成视频https://aitools.jurilu.com/ 最近&#xff0c;有各行各业的小伙伴问我&#xff0c;到底应该怎么将deepseek融入进他们自身的工作流呢&#xff1f;其实这个问题很简单。我就以…

selenium爬取苏宁易购平台某产品的评论

目录 selenium的介绍 1、 selenium是什么&#xff1f; 2、selenium的工作原理 3、如何使用selenium&#xff1f; webdriver浏览器驱动设置 关键步骤 代码 运行结果 注意事项 selenium的介绍 1、 selenium是什么&#xff1f; 用于Web应用程序测试的工具。可以驱动浏览…

[实现Rpc] 客户端 | Requestor | RpcCaller的设计实现

目录 Requestor类的实现 框架 完善 onResponse处理回复 完整代码 RpcCaller类的实现 1. 同步调用 call 2. 异步调用 call 3. 回调调用 call Requestor类的实现 &#xff08;1&#xff09;主要功能&#xff1a; 客户端发送请求的功能&#xff0c;进行请求描述对服务器…