2016年07月_Eason.wxd

原创相机姿态估计（三）--P3P

P3P论文：Complete Solution Classification for the Perspective-Three-Point Problem 我们首先需要知道的是P3P并不是直接根据3D-2D点求出相机位姿矩阵，而是先求出对应的2D点在当前相机坐标系下的3D坐标，然后根据世界坐标系下的3D坐标和当前相机坐标系下的3D坐标求解相机位姿的。P3P的求解是从余弦定理开始的，设相...

2016-07-29 11:27:45 15061 2

转载相机模型与标定（十四）--误差分析

原文：http://blog.sina.com.cn/s/blog_a492c33d0101d97n.html 看到论坛里有不少人在用OpenCV中的标定函数cvCalibrateCamera2 进行相机标定时遇到不少问题,说一些自己的看法。 1）因为cvCalibrateCamera2 函数主要是用张正友的平面标定方法的，所以首先我建议大家看一下张正友的那篇经典的论文完

2016-07-29 11:22:01 17524 1

转载相机模型与标定（十三）--鱼眼相机标定

原文：http://blog.csdn.net/u010784534/article/details/50474371先看一张鱼眼相机拍摄出来的结果：从图中可以看出很明显的畸变。对鱼眼相机标定，有时候也可以用普通相机的标定方法对其进行标定，但是却不能保证去畸变后的效果是最好的。因此对于Gopro等鱼眼镜头拍摄出来的图像去畸变，最好的方法就是采用鱼眼相机标定方法进行标定。鱼眼相机

2016-07-28 13:25:20 15303 2

原创相机模型与标定（十二）--opencv圆形标志点检测算法

本来以为圆形检测比较简单，实际还是花费我近一上午时间，网上几乎没有相关资料（除了OpenCV官网）。这里坐下简单介绍，分享给大家。非对称圆形标定物检测：1.findCirclesGrid函数的使用，如下： case ASYMMETRIC_CIRCLES_GRID: boardSize.width = 4; boardSize.height = 11

2016-07-27 15:34:29 27104 16

转载相机姿态估计（二）--单目POSIT算法

3D姿态估计-POSIT算法POSIT算法，Pose from Orthography and Scaling with Iterations，比例正交投影迭代变换算法：用于估计物体的3D姿态（相对于镜头的平移和旋转量）。算法正常工作的前提是物体在Z轴方向的“厚度”远小于其在Z轴方向的平均深度，比如距离镜头10米远的一张椅子。算法流程：假设待求的姿态，包括旋转矩阵R和平移

2016-07-26 21:53:33 12852 2

原创相机姿态估计（一）--PnP

PnP（pespective-n-point）问题，就是已知的n个空间3D点与图像2D点对应的点对，计算相机位姿、或者物体位姿，二者是等价的。有个通俗，但很有用的解释：以下讨论中设相机位于点Oc，P1、P2、P3……为特征点。 Case1：当N=1时当只有一个特征点P1，我们假设它就在图像的正中央，那么显然向量OcP1就是相机坐标系中的Z轴，此事相机永远是面对P1，于是相机可能的位...

2016-07-26 21:49:52 48025 3

转载相机模型与标定（十一）--LMEDS，M估计，RANSAC估计对比

原文：http://blog.csdn.net/lanbing510/article/details/50053865图像配准对于运动平台（无人机，移动机器人）上的视觉处理有着极其重要的作用。配准算法的第一步通常是找到两幅图像中一一对应的匹配点对（特征点提取、描述、点对匹配），然后通过匹配点对求取变换矩阵。在图像特征点匹配之KD-Tree一文中讲了配准中第一步中的点对匹配方法，本文将集

2016-07-26 15:55:07 7691

转载相机模型与标定（十）--RANSAC算法

转自王先荣先生：http://www.cnblogs.com/xrwang/archive/2011/03/09/ransac-1.html本文翻译自维基百科，英文原文地址是：http://en.wikipedia.org/wiki/ransac，如果您英语不错，建议您直接查看原文。 RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从

2016-07-26 15:49:16 8200 1

转载相机模型与标定（九）--LM算法

LM算法，全称为Levenberg-Marquard，它可用于解决非线性最小二乘问题，多用于曲线拟合等场合。LM算法的实现并不算难，它的关键是用模型函数 f 对待估参数向量p在其领域内做线性近似，忽略掉二阶以上的导数项，从而转化为线性最小二乘问题，它具有收敛速度快等优点。LM算法属于一种“信赖域法”——所谓的信赖域法，此处稍微解释一下：在最优化算法中，都是要求一个函数的极小值，每一步迭代中，都

2016-07-26 15:09:41 12241

转载双目测距（六）--三维重建及UI显示

原文：http://blog.csdn.net/chenyusiyuan/article/details/5970799在获取到视差数据后，利用 OpenCV 的 reProjectImageTo3D 函数结合 Bouquet 校正方法得到的 Q 矩阵就可以得到环境的三维坐标数据，然后利用 OpenGL 来实现三维重构。 OpenCV 与 OpenGL 的编程范例，我在学习笔记（

2016-07-26 13:30:22 7850

原创双目测距（五）--匹配算法对比

参考：http://www.cnblogs.com/polly333/p/5130375.html三种匹配算法比较BM算法：该算法代码：view plaincopy to clipboardprint?CvStereoBMState *BMState = cvCreateStereoBMState(); int SADWindowSize=15; BMState-...

2016-07-26 13:21:41 27387 1

转载双目测距（四）--罗德里格斯变换

原文：http://blog.sina.com.cn/s/blog_5fb3f125010100hp.html从今天开始，把自己学习OpenCV的心得记录下来，以系列的形式贴到博客中，以期交流与备查之用，笔记内容主要偏向于算法的理解。处理三维旋转问题时，通常采用旋转矩阵的方式来描述。一个向量乘以旋转矩阵等价于向量以某种方式进行旋转。除了采用旋转矩阵描述外，还可以用旋转向量来描述旋

2016-07-26 10:27:32 9055

转载双目测距（三）--立体匹配

原文：http://blog.csdn.net/chenyusiyuan/article/details/5967291立体匹配主要是通过找出每对图像间的对应关系，根据三角测量原理，得到视差图；在获得了视差信息后，根据投影模型很容易地可以得到原始图像的深度信息和三维信息。立体匹配技术被普遍认为是立体视觉中最困难也是最关键的问题，主要是以下因素的影响：（1）光学失真和噪声（亮度、

2016-07-26 09:57:34 14805 2

转载双目测距（二）--双目标定与矫正

原文：http://blog.csdn.net/chenyusiyuan/article/details/5963256双目摄像头定标不仅要得出每个摄像头的内部参数，还需要通过标定来测量两个摄像头之间的相对位置（即右摄像头相对于左摄像头的三维平移 t 和旋转 R 参数）。图6要计算目标点在左右两个视图上形成的视差，首先要把该点在左右视图上两个对应的像点匹配起来。然而，在二维空间

2016-07-26 09:34:59 10039 3

转载双目测距（一）--图像获取与单目标定

原文：http://blog.csdn.net/chenyusiyuan/article/details/5961769双目测距的基本原理如上图所示，双目测距主要是利用了目标点在左右两幅视图上成像的横向坐标直接存在的差异（即视差）与目标点到成像平面的距离Z存在着反比例的关系：Z=fT/d。假设目标点在左视图中的坐标为（x,y），在左右视图上形成的视差为d，目标点在以左

2016-07-26 09:27:58 10339

转载相机模型与标定（八）--传统相机标定算法简介

原文：http://blog.sina.com.cn/s/blog_b364631a0101iopy.html一、相机数学模型相机模型为以后一切标定算法的关键，只有这边有相当透彻的理解，对以后的标定算法才能有更好的理解。本人研究了好长时间，几乎每天都重复看几遍，最终才会明白其推导过程。我觉得首先我们要理解相机模型中的四个平面坐标系的关系：像素平面坐标系（u

2016-07-25 14:51:46 10042

转载相机模型与标定（七）--LM算法在相机标定中的使用

LM算法在相机标定的应用共有三处。（1）单目标定或双目标定中，在内参固定的情况下，计算最佳外参。OpenCV中对应的函数为findExtrinsicCameraParams2。（2）单目标定中，在内外参都不固定的情况下，计算最佳内外参。OpenCV中对应的函数为calibrateCamera2。（3）双目标定中，在左右相机的内外参及左右相机的位姿都不固定的情况下，计算最佳的左右相机的内

2016-07-25 14:06:44 14102 2

转载相机模型与标定（六）--单应性求解

在计算机视觉中，平面的单应性被定义为一个平面到另外一个平面的投影映射。因此一个二维平面上的点映射到摄像机成像仪上的映射就是平面单应性的例子。如果点Q到成像仪上的点q的映射使用齐次坐标，这种映射可以用矩阵相乘的方式表示。若有一下定义：则可以将单应性简单的表示为：这里引入参数s，它是任意尺度的比例（目的是使得单应性定义到该尺度比例）。通常根据习惯放在H的外面。H有两

2016-07-25 12:56:54 8529

转载相机模型与标定（四）--opencv单目标定例子使用说明

原文：http://blog.csdn.net/t247555529/article/details/47836233最近一个项目要进行相机的标定，作为一个菜鸟，瞎搞一下午才搞定，于是写篇博客记录下~参考资料：(学习笔记)摄像机模型与标定——一次完成标定 http://www.xuebuyuan.com/1586576.html OpenCV sample目录下自带两个与

2016-07-25 10:44:15 10378 7

转载相机模型与标定（五）--opencv棋盘格角点检测算法

原文：http://blog.csdn.net/b5w2p0/article/details/18446961很简单，作者写的差不多对，不高兴改了。。。刚接触图像处理是从摄像机标定开始，一直好奇opencv程序中是怎么实现棋盘定位的。自己也曾用matlab写过摄像机标定的整个过程，在图像中检测出棋盘的位置是整个标定过程的第一步，但一直不稳定，不知道opencv中采用什么算法检测棋盘的位

2016-07-25 10:42:55 17345 1

转载相机模型与标定（三）--张正友标定

利用摄像机所拍摄到的图像来还原空间中的物体。在这里，不妨假设摄像机所拍摄到的图像与三维空间中的物体之间存在以下一种简单的线性关系：[像]=M[物],这里，矩阵M可以看成是摄像机成像的几何模型。 M中的参数就是摄像机参数。通常，这些参数是要通过实验与计算来得到的。这个求解参数的过程就称为摄像机标定。中文名摄像机标定外文

2016-07-24 22:03:19 12451 1

转载相机模型与标定（二）--相机模型

1、图像坐标系如图2.1所示，以图像左上角为原点建立以像素为单位的直接坐标系u-v。像素的横坐标u与纵坐标v分别是在其图像数组中所在的列数与所在行数。（在OpenCV中u对应x，v对应y）由于(u,v)只代表像素的列数与行数，而像素在图像中的位置并没有用物理单位表示出来，所以，我们还要建立以物理单位（如毫米）表示的图像坐标系x-y。将相机

2016-07-24 20:42:33 13608

转载决策树（四）--随机森林与GBDT

前言：决策树这种算法有着很多良好的特性，比如说训练时间复杂度较低，预测的过程比较快速，模型容易展示（容易将得到的决策树做成图片展示出来）等。但是同时，单决策树又有一些不好的地方，比如说容易over-fitting，虽然有一些方法，如剪枝可以减少这种情况，但是还是不够的。美国金融银行业的大数据算法：随机森林模型+综合模型模型组合（比如说有Boosting，Bagging等）与决策树相关的

2016-07-22 17:51:29 6368

转载决策树（六）--随机森林

原文：http://www.cnblogs.com/hrlnw/p/3850459.html1.随机森林原理介绍随机森林，指的是利用多棵树对样本进行训练并预测的一种分类器。该分类器最早由Leo Breiman和Adele Cutler提出，并被注册成了商标。简单来说，随机森林就是由多棵CART（Classification And Regression Tree）构成的。对于每棵树，它

2016-07-22 17:48:53 5856

转载 KNN（六）--LSH算法

LSH(Location Sensitive Hash),即位置敏感哈希函数。与一般哈希函数不同的是位置敏感性，也就是散列前的相似点经过哈希之后，也能够在一定程度上相似，并且具有一定的概率保证。形式化定义：对于任意q,p属于S，若从集合S到U的函数族H={h1,h2...hn}对距离函数D(,)，如欧式距离、曼哈顿距离等等，满足条件：则称D(,)是位置敏感的。如下图，空间

2016-07-22 16:36:35 6837

转载 KNN（五）--层次Kmean

原文：http://blog.csdn.net/qq_16365849/article/details/50646679一、层次聚类1、层次聚类的原理及分类1）层次法（Hierarchicalmethods）先计算样本之间的距离。每次将距离最近的点合并到同一个类。然后，再计算类与类之间的距离，将距离最近的类合并为一个大类。不停的合并，直到合成了一个类。其中类与类的距离的计算方法有：

2016-07-22 16:29:23 7150

转载 KNN（四）--FLANN库介绍及其应用

FLANN介绍FLANN库全称是Fast Library for Approximate Nearest Neighbors，它是目前最完整的（近似）最近邻开源库。不但实现了一系列查找算法，还包含了一种自动选取最快算法的机制。flann::Index_类该类模板是最近邻索引类，该类用于抽象不同类型的最近邻搜索的索引。以下是flann::Index_类的声明：templ

2016-07-21 22:23:55 17551

转载 KNN（二）--近似最近邻算法ANN

原文：http://www.68idc.cn/help/buildlang/ask/20150118176470.html高维数据的快速最近邻算法FLANN1. 简介在计算机视觉和机器学习中，对于一个高维特征，找到训练数据中的最近邻计算代价是昂贵的。对于高维特征，目前来说最有效的方法是 the randomized k-d forest和the

2016-07-21 21:16:31 16331

转载 KNN（一）--简单KNN原理及实现

原文：http://blog.csdn.net/damotiansheng/article/details/406284171. Knn算法介绍：百度百科：http://baike.baidu.com/view/1485833.htm?from_id=3479559&type=syn&fromtitle=knn&fr=aladdin，其内容如下：邻近算法，或

2016-07-21 13:15:03 8344

转载决策树（二）--C4.5

C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习：给定一个数据集，其中的每一个元组都能用一组属性值来描述，每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习，找到一个从属性值到类别的映射关系，并且这个映射能用于对新的类别未知的实体进行分类。 C4.5由J.Ross Quinlan在ID3的基础上提出的。ID3算法用来构造决策树。决策树是一种类似流...

2016-07-21 12:02:40 5873

转载决策树（一）--ID3

今天，我来讲解的是决策树。对于决策树来说，主要有两种算法：ID3算法和C4.5算法。C4.5算法是对ID3算法的改进。今天主要先讲ID3算法，之后会讲C4.5算法和随机森林等。 Contents 1. 决策树的基本认识 2. ID3算法介绍 3. 信息熵与信息增益 4. ID3算法的C++实现 1. 决策树的基本认识

2016-07-20 15:55:02 5984

转载图像局部特征（十八）--BOW

原文：http://blog.sina.com.cn/s/blog_4cb0b54301014hxu.htmlBag of Word，顾名思义，即将某些Word打包，就像我们经常会把类似的物品装到一个柜子，或者即使是随意打包一些物品，也是为了我们能够方便的携带，在对大数据作处理的时候，为了能够方便的携带这些数据中的信息，与其一个一个的处理，还不如打包来的容易一点。 Bag ...

2016-07-19 10:11:27 9584

转载图像局部特征（十七）--DenseFeature

原文：http://blog.csdn.net/zhaocj/article/details/45198965DenseFeatureDetector可以生成具有一定密度和规律分布的图像特征点，它主要用于3D VIZ。DenseFeatureDetector的原理是，把输入图像分割成大小相等的网格，每一个网格提取一个像素作为特征点。类似于图像尺度金字塔，该方法也可以生成不同层图像的特征...

2016-07-19 09:58:18 9021

转载图像局部特征（十六）--SimpleBlobDetector

原文：http://blog.csdn.net/zhaocj/article/details/44886475倒是觉得此文中对于圆识别的各种约束条件，挺有用。 Opencv中提供了SimpleBlobDetector的特征点检测方法，正如它的名称，该算法使用最简单的方式来检测斑点类的特征点。下面我们就来分析一下该算法。首先通过一系列连续的阈值把输入的灰度图像转换为一个二值图像的...

2016-07-19 09:53:47 21531 2

转载图像局部特征（十五）--MSCR

原文：http://blog.csdn.net/zhaocj/article/details/43191829前面我们介绍了MSER方法，但该方法不适用于对彩色图像的区域检测。为此，Forssen于2007年提出了针对彩色图像的最大稳定极值区域的检测方法——MSCR（Maximally Stable Colour Regions）。MSCR的检测方法是基于凝聚聚类（Agglomerat...

2016-07-19 09:43:03 6957

转载图像局部特征（十四）--MSER特征

原文:http://blog.csdn.net/zhaocj/article/details/40742191最大稳定极值区域（MSER-Maximally Stable Extremal Regions）可以用于图像的斑点区域检测。该算法最早是由Matas等人于2002年提出，它是基于分水岭的概念。MSER的基本原理是对一幅灰度图像（灰度值为0～255）取阈值进行二值化处理，阈值从0...

2016-07-18 17:10:03 11471

转载图像局部特征（十三）--FREAK特征

原文：http://blog.csdn.net/hujingshuang/article/details/47060677简介 FREAK算法是2012年CVPR上《FREAK: Fast Retina Keypoint》文章中，提出来的一种特征提取算法，也是一种二进制的特征描述算子。它与BRISK算法非常相似，个人觉得就是在BRISK算法上的改进，关...

2016-07-18 15:54:14 6601

转载图像局部特征（十二）--BRISK特征

原文：http://www.mamicode.com/info-detail-940675.html简介 BRISK算法是2011年ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中，提出来的一种特征提取算法，也是一种二进制的特征描述算子。它具有较好的旋转不变性、尺度不变性，较好的鲁棒性。...

2016-07-18 15:46:21 6448

转载光流（八）--总结篇

感觉光流这东西，在不考虑时间的情况下，应该是蛮靠谱的，后期发展主要是在算法加速上。一方面是是软件级，另一个是GPU级。以后实际用到在仔细研究吧。这有个推导整理，mark下:http://www.cnblogs.com/quarryman/p/optical_flow.html

2016-07-17 12:19:30 7786

转载光流（七）--Brox算法（DeepFlow）

原文：http://www.cnblogs.com/dzyBK/p/5096860.html参考论文：1. High Accuracy Optical Flow Estimation Based on a Theory for Warping, Thomas Box, ECCV20042. Beyond Pixels Exploring New Representations

2016-07-15 12:06:27 13516 1

双向RNN原始论文

空空如也