MyArrow的专栏

翻译 视觉惯性单目SLAM （四）-泰勒展开式

1. 基本要概念泰勒多项式（Taylor polynomial）泰勒展开式（Taylor expansion）：即泰勒多项式泰勒公式（Taylor’s Formula）：是一个用函数在某点的信息\color {#00A}{函数在某点的信息}描述其附近取值\color {#00A}{附近取值}的公式泰勒定理（Taylor’s theorem）：泰勒定理描述了一个可微函数，如果函数足够光滑的话，

原创 视觉惯性单目SLAM （三）优化方法

1. 最小二乘法最小二乘法：Least Squares Method （LSM）函数：y=f(x,θ)y=f(x,\theta)θ\theta为待估参数(可为向量或标量)x,yx,y常用术语 x y 自变量（independent variable） 因变量（dependent variable） 解释变量（explanatory variable） 被解释变量（expla

翻译 视觉惯性单目SLAM （二） 算法基础知识

1.5.8 李代数求导与扰动模型在SLAM实际应用中，需要对位姿进行估计李群上只有乘法，没有加法，从而无从定义导数能否利用李代数上的加法，定义李群元素的导数？基本问题是：当在李代数中做加法时，是否等价于在李群上做乘法： eA1eA2=eA1+A2e^{A_1} e^{A_2} = e^{A_1+A_2}：此等式当A1、A2A_1、A_2为矩阵时，成立吗？根据BCH线性近似，可得：1）左乘

翻译 视觉惯性单目SLAM （一）算法描述

1.视觉惯性ORB-SLAM基本知识1.1 基本概念视觉惯性：Visual-Inertial (VI)VI ORB-SLAM：视觉惯性ORB-SLAMVI ORB-SLAM输入： IMU数据（用B表示，加速度：aB；角速度：ωB\mathbf a_B ； 角速度：\omega_B；时间间隔：△t\bigtriangleup t）单目图像在图像中提取KeyPoints时，对像素坐标进行畸变

翻译 C语言的属性：__attribute__

1. 变量的属性详细内容参考：变量的属性 注： 1）_attribute_后面必须为两对括号：((…)) 2）属性关键字的前后也可加“_”，如aligned可为__aligned_1.1 对齐（aligned (alignment)）指定变量或结构域的起始地址对齐（以字节为单位）：int x __attribute__ ((aligned (16))) = 0; ...

原创 Hexagon相关资源

1. Snapdragon Flight VISLAM-ROS Sample Code

原创 Hexagon 680 常用知识

0. 功能简介支持异构计算提升处理能力：每个时钟周期同时处理高达 1024位数据HVX宽度——可同时处理的数据位数——每个时钟周期应用可执行更多工作。标准移动CPU为32位指令宽度，其计算协处理器扩展4倍，达到128位宽度。基本Hexagon处理器为64位指令宽度，是移动CPU正常宽度的两倍，而HVX协处理器扩展了8倍，达到1024位宽度。如下图红色所示，Hexagon DSP可结合两个512位

转载 Ubuntu常用命令

在创建用户时，需要为新建用户指定一用户组，如果不指定其用户所属的工作组，自动会生成一个与用户名同名的工作组。创建用户user1的时候指定其所属工作组users，例：useradd –g users user1一、创建用户：1、使用命令 useradd例：useradd user1——创建用户user1    useradd –e 12/30/2009 user2——创建user2,指定有效期200...

原创 2D平面变换总结

1. 总览 2. 平移变换 (Translation)3. 尺度变换 (Scale)4. 旋转变换(Rotation)5. 欧几里德/刚体变换 （Euclidean/Rigid） 6. 相似性/按比例欧氏 (Similarity/Scaled Euclidean)7. 仿射变换(Affine)8. 射影变换（Projective）

原创 SLAM基础知识总结

1. 视差与深度信息根据双目成像原理，两幅图像摄像机光心位置不同，而且可以看到场景中同一个场景点，则根据此场景点在两幅图像中的#F00图像坐标（Film Coords/Image Plane）之差（Disparity/Parallax）及两摄像机光心之间的距离(Baseline)算出场景点的深度信息获取视差图：双目或运动(Stereo or Motion)基本原理：三角形相似原理 2. 3D世

原创 正交矩阵及其应用-思维导图

原创 线性代数基本知识-思维导图

1. 框架2. 运算及性质

翻译 斯坦福大学CS224d基础1：线性代数知识

转自：http://blog.csdn.net/longxinchen_ml/article/details/516293281基本概念和符号线性代数可以对一组线性方程进行简洁地表示和运算。例如，对于这个方程组:这里有两个方程和两个变量，如果你学过高中代数的话，你肯定知道，可以为x1 和x2找到一组唯一的解 (除非方程可以进一步简化，例如，如果第二个

原创 矩阵特征值、特征向量、奇异值

1. 特征值与奇异值的主要区别两者的主要区别在于：奇异值分解主要用于数据矩阵，而特征植分解主要用于方型的相关矩阵。自相关矩阵正定时， 特征值分解是奇异值分解的特例，且实现时相对简单些。2. 定义一矩阵A作用与一向量a，结果只相当与该向量乘以一常数λ。即A*a=λa，则a为该矩阵A的特征向量，λ为该矩阵A的特征值。本征值和本征向量为量子力学术语，对矩阵来讲与特征值和特征向量定义一样。但本征

原创 对称和反对称矩阵（Symmetric and skew-symmetric matrices）

1. 定义    对称阵和反对称阵均：必为方阵    1）对称阵：    2）反对称阵：2. 特性3. 应用3.1 特征值分解(Eigenvalue Decomposition)    1）对称矩阵分解： 如果A是实对称矩阵，则A可被分解为：，U是一个正交矩阵，D是一个实对角矩阵(real  diagonal matrix)；

原创 正交矩阵（Orthogonal Matrix）

1. 定义    正交矩阵: Orthogonal Matrix     &space;A^{-1}=A^{T}" target="_blank">&space;A^{-1}=A^{T}" title="A^T A=AA^T =I => A^{-1}=A^{T}" alt="">    2. 特征    1） 所有的列向量都是单位正交向量    2） 所有的行向量都是单位正

原创 单应矩阵 基本矩阵 本质矩阵的区别与联系

1. 对极几何两个相机在不同位置(实际要求光心位置不同即可)拍摄两张图，这个模型就是对极几何，如下图(摘自《计算机视觉中的多视图几何》)：两摄像机光心分别是C和C'，图像平面是两白色的平面，空间中某一个点X在两张图的投影点分别是x和x'。这样的模型就是对极几何，空间点和两光心组成的平面叫做对极平面。简言之，不同视点拍摄的两个场景满足对极几何关系。2. 单应矩阵(Ho

转载 李群、李代数在计算机视觉中的应用

在多视角几何中，特别是在一些恢复相机运动轨迹的模型中，我们需要将相机的旋转和平移表示出来。通常情况下，我们都是在欧几里得空间中用R和t来进行相应的运算得到相机轨迹。然而，在很多论文中，作者们却喜欢用Lie algebrase(3)、so(3) 以及 Lie group SE(3)、SO(3) 之类的表示。紧接着，出现了很多术语，比如twist, tangent space，也出现了一些运算，比如e

原创 向量叉积与向量点积

1. 向量叉积与向量点积的区别注：向量积 ≠向量的积（向量的积一般指点乘）一定要清晰地区分开向量积（矢积）与数量积（标积）。见下表。向量积（矢积）与数量积（标积）的区别　　名称标积 / 内积 / 数量积 / 点积/dot product矢积 / 外积 / 向量积 / 叉积/cross product运算式（a，b和

转载 浅谈协方差矩阵

转自：http://pinkyjie.com/2010/08/31/covariance/一、统计学的基本概念统计学里最基本的概念就是样本的均值、方差、标准差。首先，我们给定一个含有n个样本的集合，下面给出这些概念的公式描述：均值：标准差：方差：均值描述的是样本集合的中间点，它告诉我们的信息是有限的，而标准差给我们描述的是样本集合的各个样本点

转载 主成份分析(PCA)最详细和全面的诠释

转自：http://sanwen.net/a/gpgtfoo.html主成分分析（Principal components analysis）  -最大方差解释1. 问题     真实的训练数据总是存在各种各样的问题：1、 比如拿到一个汽车的样本，里面既有以“千米/每小时”度量的最大速度特征，也有“英里/小时”的最大速度特征，显然这两个特征有一个多余。

原创 常用算法

1. Bundle Adjustment (BA)    Bundle adjustment优化的是sum of reprojection error(重投影错误之和)，这是一个geometric distance（几何距离），问题可以formulate成一个least squares problem， 如果nosie是gaussian的话，那就是一个maximum likelihood

原创 正态分布

1. 一维正态分布   若随机变量  服从一个位置参数为  、尺度参数为  的概率分布，且其概率密度函数为：       则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作 2. N维空间正太分布    N维空间正太分布方程为：       r为模糊半径。   于是，二维高斯模板上的距离中

原创 算法基本概念

1. 尺度空间 (Scale Space) 1）在尺度空间中，尺度越大图像就越模糊，尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟目标由远及近人对目标的感知过程。    2）那为什么要讨论尺度空间呢？ 因为在用机器视觉系统分析未知场景时，机器并不知道图像中物体的尺度，只有通过对图像的多尺度描述，才能获得对物体感知的最佳尺度 。如果在不同尺度上，对输入的图像都能检测到相同的

原创 矩阵基本概念

1. 向量（Vector）      在几乎所有的几何问题中，向量（有时也称矢量）是一个基本点。向量的定义包含方向和一个数（长度）。在二维空间中，一个向量可以用一对x和y来表示。例如由点（1,3）到（5,1的向量可以用(4,-2）来表示。这里大家要特别注意，我这样说并不代表向量定义了起点和终点。向量仅仅定义方向和长度。2. 点乘（Dot Product）/点积/内积

转载 Planar Homographies (平面单应矩阵)

1. 平面单应矩阵    平面单应矩阵：就是平面的投影变换矩阵。2. 正面图投影（Frontal Plane）

转载 Image Mappings (图像映射)

1. 概述

转载 Camera Projection (相机投影)

1. 基本概念2. 投影   So how do we represent this as a matrix equation?   We need to introduce homogeneous coordinates(齐次坐标).2.1 透视投影2.2 世界->摄像机坐标变换

原创 LoG和DoG Filters

1. 概念 2. 导数滤波器3. 拉普拉斯差分

转载 Pyramids and Scale Space (金字塔和尺度空间)

1. 基本概念2. 金字塔表示(Pyramid Representations)3. 尺度空间(Scale Space)

原创 Stereo Matching Source Code

LIBELAS: Library for Efficient Large-scale Stereo MatchingDownload Stereo and Optical Flow codeStereo Matching by Training a Convolutional Neural Network to Compare Image PatchesDeep

转载 Stereo System (双目系统)

1. 双目简介2. 关键概念

转载 Correspondence Matching

1. 简介2. 匹配算法2.1 基于相关性的算法

转载 Gradients and Edge Detection + Canny Algorithm

1. 边缘定义2. 简单的边缘检测流程3. Canny边缘检测器

转载 Harris Corner Detector

1. 基本概念2. 数学描述

转载 图像梯度和平滑(Image Gradient and Smoothing)

1. 图像梯度2. 平滑

原创 Tango核心技术整理

1. Tango核心技术     2. 软件坐标系3. 硬件坐标系4. 相机参数5. 性能分析

转载 Jacobian矩阵、Hessian矩阵、特征值、特征向量

转自：http://jacoxu.com/?p=1461. Jacobian在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个代数群, 曲线可以嵌入其中. 它们全部都以数学家卡尔·雅可比(Carl Jacob, 1804年10月4日－1851年2月18日

原创 C++11 ifstream和ofstream读写二进制文件

1. C++11 ifstream和ofstream读写二进制文件std::ofstream Frame::mfKeyOut("/home/ai/work/tum-data/key.bin", std::ios::binary | std::ios::out);std::ofstream Frame::mfDescOut("/home/ai/work/tum-data/desc.bin",

原创 摄像机的内参数和外参数

1. 简介    1）摄像机的内参数（Intrinsic)          由摄像机本身决定，只与摄像机本身有关。其参数有：参数矩阵（fx,fy,cx,cy)和畸变系数(三个径向k1,k2,k3;两个切向p1,p2)    2）摄像机的外参数（Extrinsic)         摄像机在世界坐标系中的位姿，由摄像机与世界坐标系的相对位姿关系决定。其参数有：旋转向量R（大小为1x