验证车辆同一位置下三个uwb接收器的位置以及航向角
四个uwb基站,三个uwb接收器,求车辆同一位置下,三个uwb接收器对应的角度位置是否正确,其对应的距离是否发生调整
面对相机的手眼标定算法代码以及文档详解
相机手眼标定
坐标系定义
坐标系求解
车身到相机坐标系求解
判断2d点是否在多边形内
判断2d点是否在多边形内
激光雷达标定到车身坐标系,通过三个平面方程
通过车身摆正,获取激光雷达的平面方程,与车身对应的平面方程
来标定激光雷达到车身的旋转矩阵
c++多线程写法与案例
c++多线程保存点云
c++多线程写法以及加锁上锁
对点云采用边运行主函数以及边保存点云,
应用于bag播放时多线程保存点云
双目点云转xyzrgb点云
双目图片点云,赋值图片颜色,生成xyzrgb图,
适用于多种图片以及点云格式,比如640x360或者1280x720
单目相机根据地面平面方程获取障碍物位置
单目相机通过深度学习获取障碍物像素位置,已知障碍物在地面上,因此可以根据障碍物
的像素推测出其在地面上的深度,从而计算出3d位置信息,
相机多次去畸变对于相机激光雷达标定精度影响
对于相机不去畸变,一次去畸变,以及两次去畸变,对于相机与激光雷达
标定精度之间的影响,结论发现多次去畸变确实会提高标定精度,减少标定误差
kd树python代码构建与搜索与四叉树构建
用python来构建kd树并且用kd树来搜索最近邻点,
另外,构建四叉树来可视化,其中包含文档
kmeans算法来聚类点云
对点云进行聚类分割,已知点云的类数量,通过初始点来进行
点云分类,
通过该点距离地图中定位标志的距离,从而来进行该位置的定位
通过该点距离地图中定位标志的距离,从而来进行该位置的定位,
有二维平面上的定位,以及三维空间上的定位
通过欧拉角采用高斯牛顿法来进行旋转矩阵外参或者求解旋转平移矩阵外参
迭代优化旋转平移外参,可以采用欧拉角以及李群李代数来进行迭代优化,
本资源是采用欧拉角以及高斯牛顿法来迭代优化外参
pcl中各种点云格式互相转换
pcl中存在多种点云格式,其中有pcd、obj、ply等格式,需要将各种格式进行互相转换
相机外参对于激光雷达与相机标定精度影响
验证相机外参,去畸变次数对于标定精度的影响
获取激光雷达点云反光标志3d坐标点
在激光雷达坐标系以及车身坐标系下对反光标志进行特征点自动提取
相机旋转矩阵外参在线标定
相机 车身 车道线 边缘 直线方程提取 高斯牛顿法 迭代优化 外参提取
相机外参求解-采用不去畸变,去一次畸变,两次畸变来求证外参精度
eigen 高斯牛顿法 相机去畸变 对比 外参精度 高斯牛顿法 opencv
eigen高斯牛顿法优化相机外参
用eigen采用高斯牛顿法来优化相机外参,代码中为理论值迭代优化
pcl根据索引来提取点云
pcl根据索引大小来提取点云,可以选取索引内或者外的点云
两个单目相机构建双目相机,计算特征点深度,以及位置坐标或者单目相机两个图片来构建双目相机,计算特征点深度以及位置坐标
两个单目相机构建双目相机,计算特征点深度,以及位置坐标,
根据相机内参、两个相机之间的外参从而获得图片到极线图片的remap,
形成v值相同后,u值有整体的偏移,本案例中为78,需要进一步的处理
rgbd的slam算法
对于rgbd的slam算法进行代码更新,原始代码为高翔rgbd的视觉slam算法
移动最小二乘法来拟合曲线代替离散数据
通过权重函数来代替不同点的影响,再通过P遍历求解每一个点下的A、b,从而根据公式Aa=b求解a值,再计算每一个点x(i)下的公式的理论值y(i)
ransac 平面模型 平行 轴向量 提取 墙体平面
采用RANSAC的多平面提取模型,设置轴向量,轴向量是平行于平面模型的,即理论上平面法向量是与轴向量平行的,夹角为0;
雅克伯格 LM算法 最优化 提取平面
用LM算法提取平面,采用最优化的方法
icp点云迭代以及SVD手写算法
icp手写svd以及迭代算法求解旋转平移矩阵
python版本的opencv进行图片均衡化
python版本的opencv进行图片均衡化
zed双目相机图片去畸变生成点云
zed双目相机图片去畸变生成点云