- 博客(66)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 运动目标跟踪算法
运动目标跟踪是视频监控系统中不可缺少的环节。在特定的场景中，有一些经典的算法可以实现比较好的目标跟踪效果。本文介绍了一般的目标跟踪算法，对几个常用的算法进行对比，并详细介绍了粒子滤波算法和基于轮廓的目标跟踪算法。最后简单介绍了目标遮挡的处理、多摄像头目标跟踪和摄像头运动下的目标跟踪。一、一般的目标跟踪算法 一般将目标跟踪分为两个部分:特征提取、目标跟踪算法。其中提取的目标特征大致可以分...
2019-02-17 12:53:17
16790
原创 Linux开机出现welcome to emergency mode! 解决方法
welcome to emergency mode！after logging in ，type “journalctl -xb” to view system logs，“systemctl reboot” to reboot ，“systemctl default” to try again to boot into default mode。give root password for m...
2019-01-20 10:30:26
48584
14
原创 畸变矫正及像素损失分析
上一篇博客简要介绍了一下常用的张正友标定法的流程，其中获取了摄像机的内参矩阵K，和畸变系数D。1.在普通相机cv模型中，畸变系数主要有下面几个：(k1; k2; p1; p2[; k3[; k4; k5; k6]] ，其中最常用的是前面四个，k1,k2为径向畸变系数，p1,p2为切向畸变系数。2.在fisheye模型中，畸变系数主要有下面几个（k1,k2,k3,k4）. 因为cv和...
2018-12-21 15:36:38
8163
3
转载 【无人驾驶系列十二】无人驾驶刚刚开始的未来
本文是无人驾驶技术系列的第12篇，也是最后一篇（文末汇总了无人驾驶系列文章）。本文梳理总结了前面11篇涉及到的技术点，尝试呈现一个宏观的无人驾驶系统架构。另外，简单分析了无人驾驶的产业链现状以及根据笔者自己的经验提出了一些给开发者、创业者，以及投资者的建议。无人驾驶技术总结无人驾驶是一个复杂的系统，如图1所示，系统主要由三部分组成：算法端、Client端和云端。其中算法端包括面向传感、感...
2018-11-20 16:17:58
1299
转载 【无人驾驶系列十一】无人驾驶中的决策规划控制技术
无人车作为一个复杂软硬件结合系统，其安全可靠运行需要车载硬件、传感器集成、感知预测，以及控制规划等多个模块的协同配合工作。作者认为最关键的部分是感知预测和决策控制规划的紧密配合。狭义上的决策规划控制部分，包含了无人车行为决策（Behavior Decision）、动作规划（Motion Planning）, 以及反馈控制（Feedback Control）这三个模块。而从更宽泛的概念来说，无人车的...
2018-11-20 16:15:40
3560
1
转载 【无人驾驶系列十】无人驾驶硬件平台设计
本文是无人驾驶技术系列的第十篇，着重介绍无人驾驶硬件平台设计。无人驾驶硬件系统是多种技术、多个模块的集成，主要包括：传感器平台、计算平台、以及控制平台。本文将详细介绍这三个平台以及现有的解决方案。希望本文对无人驾驶从业者以及爱好者选择硬件的时候有帮助。无人驾驶: 复杂系统无人驾驶技术是多个技术的集成，如图1所示，一个无人驾驶系统包含了多个传感器，包括长距雷达、激光雷达、短距雷达、车载摄像头...
2018-11-20 16:11:53
3444
转载 【无人驾驶系列九】无人驾驶系统安全
目前针对无人车攻击的方法有许多，如何防御这些攻击以保证无人车的安全是个重要的课题。本文是无人驾驶技术系列的第九篇，详细介绍针对无人车传感器、操作系统、控制系统、车联网的攻击手段以及防御方法。针对无人驾驶的安全威胁对于无人驾驶系统来说，安全性至关重要。任何无人车如果达不到安全要求就上路是极其危险的。目前，针对无人车攻击的方法五花八门，渗透到无人驾驶系统的每个层次，包括传感器、操作系统、控制系...
2018-11-19 10:50:37
2890
转载 【无人驾驶系系列八】CNN在无人驾驶中的应用
无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。CNN简介卷积神经网络（Convolutional Neural Network，CNN）是一种适合使用在连续值输入信号上的深度神经网络，比如声音、图像和视频。它的历史可以回溯到1968年，Hubel和Wies...
2018-11-19 10:49:22
1040
转载 【无人驾驶系列七】高精度地图在无人驾驶中的应用
高精地图是无人驾驶核心技术之一，精准的地图对无人车定位、导航与控制，以及安全至关重要。本文是“无人驾驶技术系列”第七篇，首先介绍高精地图与传统地图的区别，然后介绍其特点及制作过程。在了解高精地图基础知识后，探索其在无人驾驶场景中的应用。电子地图分类我们日常使用的用于导航、查询地理信息的地图都属于传统电子地图，其主要服务对象是人类驾驶员。而与传统电子地图不同，高精度电子地图的主要服务对象是无...
2018-11-19 10:47:18
2420
转载 【无人驾驶系列六】增强学习在无人驾驶中的应用
本文是无人驾驶技术系列的第六篇，着重介绍增强学习在无人驾驶中的应用。增强学习的目的是通过和环境交互，学习如何在相应观测中采取最优行为。相比传统的机器学习，它有以下优势：首先，由于不需要标注的过程，可以更有效地解决环境中存在的特殊情况。其次，可以把整个系统作为一个整体，从而对其中的一些模块更加鲁棒。最后，增强学习可以比较容易地学习到一系列行为。这些特性十分适用于自动驾驶决策过程，我们在本文深入探讨增...
2018-11-19 10:45:01
869
转载 【无人驾驶系列五】GPS及惯性传感器在无人驾驶中的应用
本文是无人驾驶技术系列的第五篇，着重于GPS以及惯性传感器在无人驾驶中的应用。GPS是当前行车定位不可或缺的技术，但是由于GPS的误差、多路径以及更新频率低等问题，我们不能只依赖于GPS进行定位。而惯性传感器拥有很高的更新频率，可以跟GPS形成互补。而使用传感器融合技术，我们可以融合GPS与惯性传感器数据，各取所长，以达到较好的定位效果。无人驾驶定位技术行车定位是无人驾驶最核心的技术之一，...
2018-11-19 10:42:37
2041
转载 【无人驾驶系列四】 基于Spark与ROS分布式无人驾驶模拟平台
本文是无人驾驶技术系列的第四篇，着重介绍基于Spark与ROS的分布式无人驾驶模拟平台。无人驾驶的安全性和可靠性是通过海量的功能和性能测试来保证的。无人驾驶系统是一个复杂的系统工程，在它的整个研发流程中，测试工作至关重要同时也繁重复杂。显然将全部测试工作都集中在真车上进行是一种成本异常高昂且安全系数非常低的方案。通过综合考虑测试中各种可能发生的正常或异常状况，软件模拟成为了面向无人驾驶系统的更安全...
2018-11-19 10:40:29
1738
转载 【无人驾驶系列三】基于计算机视觉的无人驾驶感知系统
本文是无人驾驶技术系列的第三篇，着重介绍基于计算机视觉的无人驾驶感知系统。在现有的无人驾驶系统中，LiDAR是当仁不让的感知主角。但是由于LiDAR的成本高等因素，业界有许多是否可以使用成本较低的摄像头去承担更多感知任务的讨论。本文探索了基于计算机视觉的无人驾驶感知方案。首先，验证一个方案是否可行需要一个标准的测试方法，我们介绍了广泛被使用的无人驾驶视觉感知数据集KITTI。然后，我们讨论了在无人...
2018-11-19 10:37:32
1564
转载 自动驾驶汽车传感器融合系统及多传感器数据融合算法浅析
自动泊车、公路巡航控制和自动紧急制动等自动驾驶汽车功能在很大程度上是依靠传感器来实现的。重要的不仅仅是传感器的数量或种类，它们的使用方式也同样重要。目前，大多数路面上行驶车辆内的ADAS都是独立工作的，这意味着它们彼此之间几乎不交换信息。只有把多个传感器信息融合起来，才是实现自动驾驶的关键。” 现在路面上的很多汽车，甚至是展厅内的很多新车，内部都配备有基于摄像头、雷达、超声波或LIDAR等...
2018-11-19 10:32:09
3306
转载 【无人驾驶系列二】基于ROS的无人驾驶系统
本文是无人驾驶技术系列的第二篇。在上篇解析光学雷达（LiDAR）技术之后，本文着重介绍基于机器人操作系统ROS的无人驾驶系统。文中将介绍ROS以及它在无人驾驶场景中的优缺点，并讨论如何在ROS的基础上提升无人驾驶系统的可靠性、通信性能和安全性。 无人驾驶：多种技术的集成无人驾驶技术是多个技术的集成，如图1所示，一个无人驾驶系统包含了多个传感器，包括长距雷达、激光雷达、短距雷达、摄像头、超声...
2018-11-19 10:28:52
3828
1
转载 【无人驾驶系列一】激光雷达（LiDAR）在无人驾驶技术中的应用
无人驾驶汽车的成功涉及高精地图、实时定位以及障碍物检测等多项技术，而这些技术都离不开光学雷达（LiDAR）。本文将深入解析光学雷达是如何被广泛应用到无人车的各项技术中。文章首先介绍光学雷达的工作原理，包括如何通过激光扫描出点云；然后详细解释光学雷达在无人驾驶技术中的应用，包括地图绘制、定位以及障碍物检测；最后讨论光学雷达技术目前面临的挑战，包括外部环境干扰、数据量大、成本高等问题。 无人驾驶技...
2018-11-19 10:18:37
12827
2
原创 三角测量
三角测量使用对极约束估计了相机的运动，在得到运动之后，我们需要用相机的运动估计特征点的空间位置。在单目SLAM中，仅仅通过单张图像无法获得像素深度信息，需要通过三角测量来估计其深度。上图中，O1P和 O2P 理论上交与P点，但是由于噪声的存在，往往无法相交。可以通过最小二乘求解。设 x1,x2为俩个特征点的归一化坐标，那他们满足：s2x2=s1Rx1+t 由于我们已...
2018-08-24 09:06:38
12328
转载 ADAS视觉方案盘点上篇：摄像头、芯片和算法
对跨学科领域来说，一个粗略的盘点只是刚刚向门内迈了一步。摄像头是ADAS核心传感器，相比毫米波雷达和激光雷达，最大优势在于识别（物体是车还是人、标志牌是什么颜色）。汽车行业价格敏感，摄像头硬件成本相对低廉，因为近几年计算机视觉发展迅速，从摄像头角度切入ADAS感知的创业公司数量也非常可观。这些创业公司可以统称为视觉方案提供商。他们掌握核心的视觉传感器算法，向下游客户提供车载摄像头模组，芯片...
2018-08-22 14:08:20
3217
转载 深度神经网络模型压缩
“本文介绍的论文全面概述了深度神经网络的压缩方法，主要可分为参数修剪与共享、低秩分解、迁移/压缩卷积滤波器和知识精炼，本论文对每一类方法的性能、相关应用、优势和缺陷等进行独到的分析。” 大型神经网络具有大量的层级与结点，因此考虑如何减少它们所需要的内存与计算量就显得极为重要，特别是对于在线学习和增量学习等实时应用。此外，近来智能可穿戴设备的流行也为研究员提供了在资源（内存、CPU、能...
2018-07-31 15:55:25
1796
原创 A Real-Time Multi-Person Keypoint Detection 实时姿态检测
下载网址：https://github.com/CMU-Perceptual-Computing-Lab/caffe_rtpose参考网址：https://github.com/CMU-Perceptual-Computing-Lab/openposehttps://github.com/CMU-Perceptual-Computing-Lab/openpose/blob/master/d...
2017-08-04 16:25:41
7067
1
原创 SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation 视频语义分割
先进入到https://github.com/TimoSaemann/caffe-segnet-cudnn5，下载caffe-segnet-cudnn5-master.zip再进入到https://github.com/alexgkendall/SegNet-Tutorial 再下载SegNet-Tutorial-master.zip准备工作：1.先准备opencv，我测试的是o...
2017-08-04 16:23:35
5483
1
原创 Anaconda+Opencv+Tensorflow安装 (Ubuntu/Windows) (cpu/gpu)
安装Anaconda 4.2 + OpenCV 3.11. 下载并安装Anaconda4.2.0 所有的Anaconda版本,Linux选Anaconda3-4.2.0-Linux-x86_64.shWindows选Anaconda3-4.2.0-Windows-x86_64.exe注意系统是64位，Tensorflow只支持windows64位。(https://mirror
2017-08-04 16:16:57
5618
原创 Ubuntu16.04+Cuda8.0+Cudnn5.1+Opencv3.1吐血安装
Cuda驱动安装第一步：下载驱动http://www.geforce.cn/drivershttp://www.nvidia.com/Download/index.aspx?lang=cn第二步：给驱动run文件赋予权限（具体驱动名称根据自己下载的来）sudo chmod a+x NVIDIA-Linux-x86_64-375.20.run 第三步：将集成的开源驱动加入
2017-08-04 16:05:15
3743
1
原创 目标跟踪常用的视频库
1. 常用计算机视觉图像库:http://blog.csdn.net/xuejiren/article/details/38635121 //含有图像又含有是视频http://datasetfor.org/ 2.视频监控与跟踪，部分测试视频或图像序列地址：http://blog.csdn.net/zhang11wu4/article/details/8133
2017-07-31 10:24:03
6406
原创 Tensorflow Anaconda4.2 Cudnn
电脑软硬件配置 Gtx1070+CUDA8.0+Cudnn6.1 软件 Anaconda 4.2.0 +opencv3.2 +python3.5 （Python 2.7）几个问题一：关于Anaconda 的使用总结windows上用的tensorflow是依赖于python3.5，因此在linux下也配的3.5 一、 在Anaconda官网上下载
2017-06-30 10:03:02
3058
原创 Ubuntu下OPENCV3.1.0+opencv_contrib-master问题总结
因为opencv3.1.0默认安装中没有加入SIFT、SURF等点特征检测，这玩意还弄了个其他的库，还只能在GitHub上才能弄到，这两天弄opencv3.1.0的contrib库，遇到了一些问题， 为了让大家更好、更快用上contrib库，根据 谷歌百度的几个问题，现分享给大家完整流程，也欢迎大家与我讨论其他opencv方面的问题。opencv_contrib的版本一定要与opencv的版本
2017-06-23 11:27:57
6160
1
转载 三维重建方法--激光or视觉
导读： 激光雷达则是无人驾驶和扫地机器人等领域的核心一环。那么为什么出现多种方案呢？它们到底有什么差异？看似很酷炫的技术，实际上并没有外界想得那么高大上。 Realsense之所以能够识别物体的深度信息，关键在于其具备三维重建功能。而能与Realsense齐名甚至是比Realsense更好的产品比比皆是，我们所知道的无人机、机器人以及无人驾驶汽车当中的壁障或路径规划等
2017-06-22 09:45:24
5480
转载 Caffe fine-tuning 微调网络
目前呢，caffe，theano,torch是当下比较流行的Deep Learning的深度学习框架，楼主最近也在做一些与此相关的事情。在这里，我主要介绍一下如何在Caffe上微调网络，适应我们自己特定的新任务。一般来说我们自己需要做的方向，比如在一些特定的领域的识别分类中，我们很难拿到大量的数据。因为像在ImageNet上毕竟是一个千万级的图像数据库，通常我们可能只能拿到几千张或者几万张某一特定
2016-11-18 20:06:17
447
转载 教你如何读懂卷积神经网络(CNN)
自今年七月份以来，一直在实验室负责卷积神经网络（Convolutional Neural Network，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益。正文之前，先说几点自己对于CNN的感触。先明确一点就是，Deep Learning是全部深度学习算法的总称，CNN是深度学习算法在图像处
2016-11-16 17:25:44
7936
转载 深度学习相关资料
一、学习清单1、综合类(1)收集了各种最新最经典的文献，神经网络的资源列表：https://github.com/robertsdionne/neural-network-papers 里面包含了深度学习领域经典、以及最新最牛逼的算法，如果把这个列表学过一遍，基本已然达到了大神级别。(2)机器学习学习清单：https://github.com/ujjwalkarn/M
2016-11-16 17:24:00
472
原创 caffe study之AlexNet
《ImageNet Classification with Deep Convolutional Neural Networks》下面来看一下AlexNet的结构。在Alex的论文中，其基本结构为1. 基本结构a. 共有8层，其中前5层convolutional，后边3层full-connected ，最后的一个full-connected层的output是具有1000个输
2016-11-16 17:13:38
660
原创 caffe study-数据结构
1. 结构的生成：caffe的基本结构是采用google的proto库自动生成的，基本流程就是定义一个配置文件，扩展名为proto，调用proto库的编译器编译这个文件可以生成相应的类的c++的代码。具体的可以参见proto库的介绍。下面来介绍caffe中用到的一些结构2.Blob结构：a. blob是一个标准的Array，主要负责caffe中数据的存储(stores)
2016-11-16 16:25:53
477
原创 CNN+Depth estimation
1 － AlexNet 和 VGG-NetCVPR 2015 基本是 “the year of deep learning”，有大概70%的文章是关于deep learning的。大会请来了2位 keynote speakers: 计算机学家 Yann LuCun (NYU， Facebook) 和 心理学家、神经学家 Jack Gallan (Berkeley)。 Yann是公认的 Co
2016-11-16 14:23:13
3521
转载 用反卷积（Deconvnet）可视化理解卷积神经网络
可视化理解卷积神经网络原文地址：http://blog.csdn.net/hjimce/article/details/50544370作者：hjimce一、相关理论本篇博文主要讲解2014年ECCV上的一篇经典文献：《Visualizing and Understanding Convolutional Networks》，可以说是CNN领域可视化理解
2016-11-15 15:42:37
43087
5
转载 Stereo Matching文献笔记：《Cross-Scale Cost Aggregation for Stereo Matching》
最近，在做立体匹配方向相关的研究，先去网上找最新鲜的论文，看到了这篇文献（简称CSCA），来源于CVPR2014，令我惊奇的是，作者竟然提供了详细的源代码，配置运行了一下，效果还真不错，速度也还可以，具有一定的实用价值，所以拿来和大家分享一下。（转载请注明：http://blog.csdn.NET/wsj998689aa/article/details/44411215, 作者：迷雾for
2016-11-14 20:52:11
2357
转载 深度学习与计算机视觉
目录(?)[-]众星捧月的深度学习前深度学习时代的计算机视觉几个半成功例子仿生学角度看深度学习卷积的概念操作的实例LeNet网络压在骆驼身上的最后一根稻草为什么时隔20年卷土重来深度学习在视觉上的应用人脸识别图片问答问题物体检测问题Region CNNFaster R-CNN方法SSD物体跟踪基于嵌入式系统的深度学习人工智能是人类一个非常美好的梦想，跟星际漫游和长生
2016-11-11 16:13:24
2729
原创 caffe 使能python接口使用draw_net.py绘制网络结构图过程
前一章很不容易把python接口配置好了，接下来做测试，绘制网络结构图。又遇到各种奇葩问题。绘制命令如下：python draw_net.py deploy.prototxt net.bmp --rankdir=BTdraw_net.py执行的时候带三个参数 第一个参数：网络模型的prototxt文件 第二个参数：保存的图片路径及名字 第三个参数：–rankd
2016-11-04 14:53:12
6300
原创 caffe-windows配置python和matlab接口
折腾了几天，终于编译配置Python和Matlab接口成功了，现分享给大家。每次编译会花约一个小时的时间，所以一些小细节没注意，时间就耗费了，在直接使用github提供的caffe-master包时，配置编译Python和Matlab接口报了各种错误，编译一次，去网上找解决方案，这里也将编译过程中遇到的问题以及解决方案给大家，避免少走一些弯路。1.先去https://github.com/
2016-11-04 09:46:54
3733
4
原创 Check failed: error == cudaSuccess (8 vs. 0) invalid device function
你的显卡可能会欺骗你；先查看你的显卡，再在在CUDA的安装目录下有CUDA Samples ，在对应的1_Utilities 文件夹下面有个 deviceQuery 程序，运行之后应该就会得到显卡的相关信息了。比如我的显卡是GTX750 Ti,网上查的计算能力为5.0，而实际它的capbility仅有2.1，所以在修改commonSettings时要改成compute_20,sm_20;最
2016-11-02 10:54:31
4297
1
原创 10月感悟
技术党 10月总结：1.养成定期做笔记的习惯。以前的学习遇到的问题，查找资料解决。解决了就解决，当实验室的学弟再遇到类似的问题时，我却不能及时的给予回复，定期的做笔记是很重要的，不仅仅是转别人的博客，自己主动性的记录一些东西是很重要的，这个过程是你自己思维的碰撞，现实生活中的被动接受太多了，我们似乎已经习惯吸收各种东西，大脑也越来越习惯这种模式，“嗯，就是接受知识，不思考知识，不创造知识”，就
2016-10-31 09:44:13
539
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人