计算机视觉life

德国波恩大学StachnissLab最新工作，基于自监督学习的未来三维点云预测，被CoRL2021录用。论文及代码都已开源！

即将开源！基于动态不变性感知的多模态视觉位置识别

点击上方“计算机视觉life”，选择“星标”快速获得最新干货作者介绍：Zach，移动机器人从业者，热爱移动机器人行业，立志于科技助力美好生活。也是我们课程学员：基于LiDAR的多传感器融合SLAM：LOAM、LeGO-LOAM、LIO-SAMLeGO-LOAM框架设计思路的第一步就是提取并分离地面。本篇文章就来详细说明LeGO-LOAM是如何来进行地面提取的。地面提取的思路 如上图所示，相连的两条扫描线打在地面同一列的两点A()和B()。计算A，B两点高度差 ，平面距离 ，计算 和 构建的三角角度；如果

点击上方“计算机视觉life”，选择“星标”快速获得最新干货大家好，趁着国庆节公司七日游，我给大家聊聊我最近大半年在做的一件重要的事情：SLAM和三维视觉在线教育。1、为什么做在线教育？很多人不知道，我是工作之后才开始学习的SLAM，早先那会网上相关的资料还非常少，也没有像我们「从零开始学习SLAM」知识星球这样的交流社区，能够拿来入门的只有高翔博士的《视觉SLAM十四讲》，这本书对学习视觉SLAM的基础非常有用。后来项目中用到SLAM代码，需要实操的时候，发现：“卧槽，这代码怎么看不懂！”“C++还可以这

本文首发于公众号：计算机视觉life。原文链接点这里有什么用？室内场景的稠密三维重建目前是一个非常热的研究领域，其目的是使用消费级相机（本文特指深度相机）对室内场景进行扫描，自动生成一个精确完整的三维模型，这里所说的室内可以是一个区域，一个房间，甚至是一整栋房屋。此外，该领域注重(一般是GPU上)实时重建，也就是一边扫描就可以一边查看当前重建的结果。如下所示。 主要的应用包括室内的增...

在我的上一篇博客《OpenCV学习入门（三）：kmeans原理及代码 》中调试kmeans时发现一个问题：每次运行时，以下两行代码int clusterCount = rng.uniform(2, MAX_CLUSTERS + 1); int sampleCount = rng.uniform(1, 1001);生成的两个变量结果是一样的！于是我就研究了一下随机类RNG，最终找到了问题

关于OpenCV网上的学习资料非常多，尤其是很多比较专业的技术博客，对学习计算机视觉的筒子们真的是个非常好的帮助~踩在这些巨人们的肩膀上，我打算一步一个脚印从零开始学习，在博客里记录下遇到的问题及解决方法，也是对自己的一种监督和激励（一）首先是安装软件，OpenCV下载地址http://opencv.org/downloads.html，我使用的是2.4.10版本 + visualstudio

Kmeans是一种非监督的聚类方法，是最常用的聚类技术之一。kmeans尝试找到数据的自然类别，通过用户设定的类别个数K，它可以快速的找到“好的”类别中心，“好的”意味着聚类中心位于数据的自然中心。（一）算法步骤Kmeans算法一般步骤如下：1、输入样本数据集合和用户指定的类别数K。2、分配类别初始化中心点的位置（随机或指定）。3、将每个样本点放入离它最近的聚类中心所在的集合。

Image Watch是在visual studio 2012及以上版本上使用的一款OpenCV工具，能够在调试过程中实时显示内存中矩阵Mat（存放图像，数组等）的内容，方便程序调试，个人觉得比matlab好用，而且功能更丰富，相当好用。用了一次就爱不释手，被广大程序猿们惊呼神器！官方介绍：Image Watch is a plug-in for Microsoft Visual Studio