《Sensors》：EdgeDenseCalib: Targetless Camera–LiDAR Calibration via Enhanced Edge Feature Densification
Zhiyu He,
Zhiwei Cao,
Ning Xu,
Zhipeng Zhao,
Junyi Zhao,
Zhao Sheng and
Xiaoyu Zhao
编辑推荐：
针对自动驾驶等场景中相机与激光雷达（LiDAR）多传感器融合时依赖人工或特定标定目标、灵活性不足的问题，本研究提出EdgeDenseCalib方法。该方法通过两阶段激光雷达边缘增强机制（CSW与BPSW模块）提升稀疏点云边缘特征密度，实现跨模态特征可靠匹配，并结合迭代最近点（ICP）框架优化对齐。实验在KITTI数据集上达到平均旋转误差0.105°、平均平移误差0.903?cm的精度，相比现有基于边缘的方法旋转精度提升33.1%至89.9%，为自动驾驶系统提供了一种实用、自动化的标定解决方案。
在自动驾驶、机器人等智能系统中，准确感知周围环境是完成障碍物检测、语义分割等任务的基础。为实现全面感知，多传感器融合已成为主流方案，其中相机能提供丰富的纹理、颜色等视觉信息，而激光雷达（LiDAR）则能在不同光照条件下提供精确的三维空间测量。然而，要将这两种传感器的数据有效融合，首先必须解决一个关键问题：如何精确标定相机与激光雷达之间的相对位置与姿态（即外参标定）。
传统标定方法通常依赖于棋盘格等人工标记物，不仅需要预先制作特定标定目标，还常常需要人工干预，这限制了其在动态、复杂真实环境中的灵活性与可扩展性。此外，这类方法多为离线标定，难以在设备运行过程中应对姿态偏移。因此，无需特定目标的无靶标（targetless）标定方法成为更适应长期部署需求的研究方向。
无靶标标定利用自然场景中的特征（如边缘）进行跨模态匹配，但仍面临严峻挑战。相机提取的边缘特征细节丰富，而激光雷达点云数据固有的稀疏性导致其边缘特征不足，这种特征密度不平衡使得2D图像与3D点云的特征难以可靠对应，增加了数据对齐的复杂性与模糊性。此外，由于激光雷达通常进行水平扫描，许多提取的2D线条因垂直特征不足而无法找到对应的3D特征，进一步影响了标定精度。
为应对上述挑战，本文提出了EdgeDenseCalib。该方法的核心创新在于设计了一个两阶段的激光雷达边缘增强策略，旨在“增密”稀疏的点云边缘特征，使其能够与图像中细粒度的边缘进行高可比性匹配。具体而言，该方法首先从图像和点云中提取并过滤边缘特征；然后，利用初始外参将点云投影到2D图像平面，并基于迭代最近点（ICP）框架搜索邻近对应点；最后，通过建立基于距离计算的成本函数，并运用Levenberg–Marquardt（LM）算法进行迭代优化，以最小化重投影误差，从而精确求解外参矩阵。
本研究的主要技术方法包括：1) 图像边缘提取：采用Canny边缘检测算法，结合高斯滤波降噪、Sobel算子计算梯度，并施加角度约束以突出对校准有益的垂直边缘特征。2) 激光雷达边缘处理：通过刚体变换将3D点云投影为2D深度图，并创新性地引入两阶段边缘增强机制——包括基于深度不连续的交叉搜索窗口（CSW）模块和利用局部缺失数据（NaN区域）作为物理线索的背景保持搜索窗口（BPSW）模块，以捕获传统方法易遗漏的边界过渡边缘，随后使用深度感知的DBSCAN聚类算法过滤噪声。3) 优化：将标定问题构建为3D到2D的重投影优化任务，使用ICP和k近邻（kNN）算法建立点对应关系，并通过LM算法优化外参。实验数据来源于广泛使用的KITTI数据集，该数据集同步采集了Velodyne HDL-64E激光雷达和高分辨率彩色相机的数据。
图像边缘提取
研究采用Canny边缘检测器，先将RGB图像转换为灰度图并进行高斯滤波，然后利用Sobel算子计算每个像素的梯度与方向，再通过非极大值抑制和双阈值处理保留最强边缘点。考虑到激光雷达在俯仰角上视野有限，该方法剪裁了过滤后边缘图像的上部，并重点利用自然场景中更常见的垂直边缘特征（如杆、标志、建筑）作为主要匹配依据，水平边缘则作为辅助特征用于约束目标区域。
激光雷达边缘处理
研究首先将3D点云通过相机内参和当前外参估计投影到2D图像平面，形成深度图。针对投影后点云稀疏、像素间存在NaN值间隙的问题，设计了两阶段边缘提取机制。CSW模块包含水平和垂直搜索窗口，通过评估预设阈值内的深度不连续性来识别边缘点。BPSW模块则专门处理因信号强度不足导致的背景点缺失区域（NaN区域），将位于可测量前景与无返回背景交界处的点识别为边界过渡边缘点。这种结合物理缺失数据的感知方法，能够捕获传统梯度方法系统遗漏的关键轮廓。最后，应用深度感知的DBSCAN聚类过滤散点，得到更清晰、连贯的边缘点集。
优化
在从图像和投影点云中提取边缘特征后，将标定问题构建为在图像平面上评估的3D到2D重投影优化任务。使用ICP算法，并通过kNN搜索为每个投影的激光雷达边缘点在图像边缘点集中寻找欧氏距离最近的对应点，同时设置最大距离阈值以拒绝离群匹配。通过最小化所有2D-3D对应点之间的平均平方欧氏距离来构建成本函数，并利用LM算法迭代优化旋转矩阵R和平移向量t，以求解最优外参。
定性结果
在KITTI数据集的五个不同场景中进行了可视化验证。对真实外参施加2°旋转和2?cm平移的扰动后，使用EdgeDenseCalib优化得到的参数进行点云投影。结果显示，优化后的投影点云与图像中的相关结构（如电线杆、树干、标志牌、车辆轮廓）实现了良好对齐。
定量结果
在相同初始扰动下，EdgeDenseCalib达到了平均平移误差0.903?cm（X, Y, Z方向分别为0.818?cm, 1.510?cm, 0.382?cm）和平均旋转误差0.105°（偏航、俯仰、横滚角分别为0.064°, 0.190°, 0.062°）。与多种先进方法相比，在旋转精度上，EdgeDenseCalib相较SOIC、Levinson、Zhang、SE-Calib、Multi-FEAT等边缘基方法分别提升了33.1%、89.9%、79.7%、51.2%和88.1%。虽然学习基方法LCCNet和CFNet在数值上略优，但本研究纯几何的边缘基方法在未见环境下的稳定性和泛化能力更强，避免了数据驱动模型常见的域偏移问题。在额外五个涵盖不同环境条件的KITTI场景上的扩展评估也显示，旋转误差均低于0.2°，证明了其在不同真实场景下的可靠泛化能力。
消融分析
通过消融实验验证了各关键组件的贡献：1) 垂直边缘特征的影响：与直接使用Canny检测器的基线方法相比，专注于垂直边缘使旋转误差降低了92.1%，避免了因特征杂乱导致的错误匹配和局部最优。2) CSW模块的影响：与仅使用水平扫描的方法相比，结合CSW模块使旋转和平移精度分别提升了约63.2%和53.1%。3) BPSW模块的影响：引入BPSW模块处理背景点缺失问题，使旋转精度提升了80.4%，平移精度提升了95.8%。
本研究成功解决了无靶标相机-激光雷达外参标定中的核心难题——跨模态特征密度不平衡。所提出的EdgeDenseCalib方法通过创新的两阶段激光雷达边缘增强策略（CSW与BPSW模块），显著丰富了稀疏点云的边缘表达，使其能够与高分辨率的图像边缘进行可靠匹配。结合基于ICP框架的优化方法，在KITTI数据集上实现了亚度与亚厘米级的高精度标定，其性能显著优于多种现有边缘基方法。
该工作的意义在于，为自动驾驶等需要长期部署传感设备的实际应用，提供了一种完全自动化、无需人工干预或特定标定目标的实用标定解决方案。它通过增强对自然场景中普遍存在的边缘特征的利用，提升了多传感器融合系统的可靠性与鲁棒性。尽管当前方法在缺乏明显结构边缘的极端环境（如空旷隧道）中可能面临挑战，但未来通过融合语义分割线索和光度纹理等信息，有望进一步提升其在边缘缺失场景下的鲁棒性。同时，将该框架扩展至多相机系统和非重复扫描固态激光雷达，也是未来重要的研究方向。这项工作为开发更强大的自主系统感知系统做出了贡献。
