SLAM
文章平均质量分 81
chuhang_zhqr
这个作者很懒,什么都没留下…
展开
-
特征提取算法--Surf
本文参考了 http://blog.csdn.net/a784763307/article/details/17289251 http://blog.csdn.net/yujiflying/article/details/8203511 http://blog.csdn.net/cxp2205455256/article/details/41311013 SURF意指 加速的具有鲁棒性的特征转载 2016-03-16 20:57:12 · 11769 阅读 · 0 评论 -
特征提取算法--ORB
本文主要参考了一下博客: http://blog.csdn.net/hujingshuang/article/details/46984411 http://blog.csdn.net/stellar0/article/details/8741676 http://blog.sina.com.cn/s/blog_567a58300101iarh.htmlORB算法的论文来自”ORB: an e转载 2016-03-17 16:56:04 · 14930 阅读 · 5 评论 -
LSD_SLAM编译问题解决
由于要学习下SLAM的知识,就决定在ubantu上运行一个SLAM框架,看了一些东西后,决定在orb_slam和 lsd_slam 这两个框架上进行运行。 首先开始运行lsd_slam,这里碰到了一些问题,以及找到的解决方法,在此记录下,以防以后找不到,也是对碰到这类问题的同行一些启发。 要向编译lsd_slam,首先安装ROS indigo,这个环境编译时,必须安装boost,我的电脑是ubu原创 2016-02-24 16:49:04 · 5204 阅读 · 5 评论 -
计算机视觉的数学基础
本文转载高博士的博客 主要介绍了在计算机视觉中关于3D变换矩阵的数学方法。旋转矩阵是一种3×3的正交矩阵, 这里R为3D的旋转矩阵,同样的,t为3D的平移矢量。 由于3D旋转都可以归结成按照某个单位向量n进行大小为θ的旋转。所以,已知某个旋转时,可以推导出对应的旋转矩阵。该过程由罗德里格斯公式表明,由于过程比较复杂,我们在此不作赘述,只给出转换的结果: 这里 公式虽然较为复转载 2016-03-22 14:30:05 · 7484 阅读 · 0 评论 -
特征提取算法--Sift
SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,它在空间尺度中对一副图寻找极值点,并提取出其位置、尺度、旋转不变量等描述子得到特征并进行图像特征点匹配,用来侦测与描述影像中的局部性特征。 它是基于物体上的一些局部特征SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;使用 S转载 2016-03-14 22:27:19 · 53823 阅读 · 4 评论 -
Mastering Opencv ch4:SFM详解(一)
从运动中恢复结构以便能更好的通过摄像机移动来提取图像几何结构。在书中为了使用单目相机,一个离散且稀疏的视频帧集合,而不是连续的视频流。这在后面两两循环组合配对提供了方便性。主要内容: 1:从两幅图像估计摄像机的运动姿态。 2:重构场景 3:从视图中重构 4:重构细化 5:可视化三维点云I:假定使用一个标定过的摄像机——一个先前标定过的摄像机。前面的博客也提到如何进行相机标定。因此,我们假定原创 2016-10-27 16:00:43 · 8064 阅读 · 3 评论 -
Mastering Opencv ch4:SFM详解(二)
前文分析了如何进行特征检测匹配,接下来分析如何求解摄像机矩阵。I:求解基础矩阵首先介绍两个代码段,关于关键点和Point2f相互转化的函数void KeyPointsToPoints(const vector<KeyPoint>& kps, vector<Point2f>& ps) { ps.clear(); for (unsigned int i=0; i<kps.size();原创 2016-10-27 22:22:10 · 3818 阅读 · 5 评论 -
Mastering Opencv ch4:SFM详解(三)
前面已经利用分解本质矩阵E得到两幅图像的姿态R1,R2,t1,t2. 如何把这四个值组合成P1,得到正确的解,接下来就要分析。1:利用三维重构求取在摄像机前面的重构点的所占比,得出最高占比的那个P1,就是要求得解。P1 = Matx34d(R1(0,0), R1(0,1), R1(0,2), t1(0), R1(1,0), R1原创 2016-10-28 00:09:13 · 4195 阅读 · 2 评论 -
Cross-Scale Cost Aggregation for Stereo Matching立体匹配算法介绍
最近,研究了下CVPR2014上的一篇基于多尺度代价聚合的立体匹配算法,这个作者提供了原代码,运行了下,发现效果真心不错,不开后端处理的话,时间在0.4s左右。这个算法比较牛逼的有两点: 1:结合多尺度思想,对原始图像进行下采样,然后在每层图像上计算匹配代价,进行代价聚合,然后多尺度得到的视差进行结合,作为最终的代价聚合值。 2:提供了一个框架,里面包含立体匹配很多常用的经典的方法,可以在每一步原创 2017-01-10 18:35:08 · 7624 阅读 · 22 评论