1.一种相机与激光雷达融合校准的优化方法，其特征在于，包括以下步骤：S1、获取激光雷达的点云数据和相机的图像数据，并对相机采用张正友标定法标定获得内参矩阵；

S2、根据步骤S1中获取的激光雷达的点云数据得到标定板点云信息；

S3、基于相机与激光雷达之间的相对位置约束随机生成外参矩阵；

S4、根据外参矩阵和相机的内参矩阵将标定板点云信息投影到图像上，并根据投影图像中标定板的重合度以及匹配误差来选择生成的最优外参矩阵；

所述步骤S3中，利用蒙特卡洛算法随机生成外参矩阵；

所述蒙特卡洛算法随机生成外参矩阵的具体步骤为：步骤S31、设激光雷达坐标系到相机坐标系的旋转矩阵为 ；

步骤S32、设激光雷达坐标系到相机坐标系的平移矩阵为T；

步骤S33、 为外参矩阵，其中R为3X3旋转矩阵，T为3X1的平移矩阵，对于旋转矩阵R，在 内随机生成旋转矩阵R中的每个参数；

步骤S34、通过测量得到相机和激光雷达x，y，z方向上的最大距离，分别为，对于平移矩阵T，根据测量得到的相对位置分别在附近随机生成平移矩阵T中的每个参数，从而得到 外参矩阵；

所述步骤S1中的对相机进行的标定为单目标定，并通过所述单目标定获取内参矩阵的步骤为：步骤S11、设相机坐标系为 ；

步骤S12、设相机坐标系下一点的坐标为 ；

步骤S13、设像素坐标系为 ；

步骤S14、 在像素坐标下的投影点为 ；

步骤S15、根据步骤S12和步骤S14中的参数，基于，得到相机坐标系到像

素坐标系的转换关系即内参矩阵，其中 和 分别为单个像素在图像平面的长和宽，为相机的焦距， ， 为像素坐标系的中心点， 为内参矩阵；

所述步骤S2中根据激光雷达的点云数据得到标定板点云信息的具体步骤为：步骤S21、将标定板固定在激光雷达前方某一区域，其中min代表每个方向上的距离最近值，max代表每个方向上距离最远值，首先对激光雷达的点云数据进行滤波处理，即判断点云坐标中每个值是否在该区域内，若是就保留，滤波后得到点云信息为，n为标点板点云的个数，并代入线性模型对平面进行拟合如下式所示：

，其中，A,B,C,D分别表示平面方程的系数，x，y，z表示点云数据的坐标，拟合后得到标定板的点云信息 ，n为标点板点云的个数；

步骤S4中所述的选择生成的最优矩阵的具体步骤为：S41、设雷达坐标系下一点的坐标为 ；

S42、将步骤S3中的参数代入公式 中并结合步骤S1中的相机内参矩阵和步骤S3中的外参矩阵可以得到雷达坐标系下一点 转换到相机像素坐标系下一点的公式：，其中

为外参矩阵， 为内参矩阵数；

步骤S43、将步骤S2中得到的标定板点云信息转代入根据步骤S42中的转换公式，得到标定板的像素信息 ，其中分别为 水平和竖直方向像素值，n为标定板点云的个数，其像素面积为，其中 分别为 中水平和竖直方向像素值的最大值， 分别为 中水平和竖直方向像素值最小值，然后对投影得到的标定板像素信息 进行Canny算子边缘检测，从而得到投影出的标定板角点信息为，n为检测到的角点个数；

S44、通过Canny算子边缘检测获得相机图像中的标定板面积为 ；

S45、通过Canny算子边缘检测获得相机图像中的标定板的边缘角点信息为，n为检测到的角点个数；

S46、计算重合面积

，其中

(x1,y1)和(x2,y2)为标定板的边缘角点信息 中左上角点坐标和右下角点坐标，(a1,b1)和(a2,b2)为标定板角点信息 中左上角点坐标和右下角点坐标；

S47、将步骤S43中的像素面积 、步骤S44标定板面积 和步骤S46重合面积 代入公式 计算出面积重合度 ；

S48、通过公式

计算标定板边缘的角点坐标的匹配误差 ，其中 ， 表示标定板的边缘角点信息中图像中标定板的边缘角点坐标， ， 表示标定板角点信息 中投影出的标定板边缘角点坐标， 表示边缘角点坐标的数量；

S49、根据面积重合度的大小 和标定板边缘角点坐标的匹配误差 来评价校准的效果，根据步骤S33、S34随机生成的旋转矩阵和平移矩阵分别计算标定板的像素信息，从而获得面积重合度 和标定板边缘的角点坐标的匹配误差 ，首先判断 是否在内以及 是否在 以内，当满足 在 内以及 在 以内后，再计算最优等级 ，其中

分别为 中的最大值和最小值，n为标定板边缘角点坐标的个数，选择F最大的值对应的外参矩阵来得到最优的外参矩阵。