8rfuz的博客

转载 玩玩三维重建

版权声明：本文系本站作者自己翻译整理，欢迎转载，但转载请以超链接形式注明文章来源(planckscale.info)、作者信息和本声明，否则将追究法律责任。我们在实时三维重建方面的工作今年已经密集展开。或许不久后某一天，你会在本站看到带有SLAM（即时定位与地图构建）功能的四轴飞行器，或者让你在书桌上打一场现代战争的增强现实应用。在敲锣打鼓欢天喜地亮出我们自己的三维重建实现前，先拿别人的东

转载 转一些SIFT代码链接

sift创始人的代码：David Lowe's SIFT code:http://www.cs.ubc.ca/~lowe/keypoints 美国加州大学洛杉矶分校（University of California at Los Angeles) Andrea Vedaldi 博士研究生给出的基于David Lowe 发表的论文给利用Matlab和C语言混合编程给出的Sif

转载 VLFeat——SIFT图像特征提取（VC++实现）【转载】

VLFeat——SIFT图像特征提取（VC++实现）【转载】由于VLFeat说明文档中只提供了matlab的调用SIFT函数的实例，没有VC++的调用说明，本文是根据实验，在VS2010环境下，结合opencv开源库计算图像的SIFT的描述子，具体实现细节如下所示：1.配置VLFeat环境已经在之前的一篇博文sift开源库" href="http://blog.sina.com.cn/

转载 VLFeat开源库

http://www.vlfeat.org/overview/sift.htmlThe VLFeat open source library implements popular computer vision algorithms including SIFT, MSER, k-means, hierarchical k-means, agglomerative informatio

转载 随机抽样一致性算法（RANSAC）

随机抽样一致性算法（RANSAC）作者：王先荣    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。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是

原创 A与A'是否合同

今天看到高等代数书上有以前的笔记  A与A'合同（这里的A不一定是对称） ，但总是想不出来怎么证明对错，网上暂时也没找到方法。暂时用SVD分解思考了一下，最后得到P^2=I。 作个记录，剩下的以后再想。奇异值分解在差一个排列矩阵的情况下，是唯一确定的。

原创 满秩分解

这样的满秩分解不唯一

原创 二叉树的存储结构

二叉树

原创 矩阵一些性质

只要AB=E, 就能推出BA=E

原创 初等变换 等价

类似的，有初等列变换，  两者统称为 初等变换。

原创 Epipolar geometry(对极几何)

原创 Problem-Solving Strategies

Problem-Solving Strategies这本书里的习题真是太多了，还配有solutionThe Invariance Principle;Coloring Proofs;The extremal Principle;The Box Principle;Enumerative Combinatorics;Number Theory;Inequaliti

原创 1448 二染色问题

二染色问题想找到比较好的方法，最后还是没找到，所以最后用了最暴力直接的方法。逆向操作，不断找kXk的纯色正方形，作为最后一次覆盖的正方形，然后只要能恢复成最初的状态就行。（就是(N-k+1)(N-k+1)的正方形全部都是纯色）判断kXk的正方形是否纯色的方法,我直接用最简单暴力的方发，记录正方形里的W,B颜色数目，只要其中某种颜色数目变为0，说明纯色。

原创 1317 相似字符串对

51nod：相似字符串根据题意要求所有满足题意的相似字符串对数,相似字符串对满足A+C=C+B,进一步分析能得到A,B字符串必须满足A=D+E,B=E+D。这时候只要构造满足要求的A,B。可以看出,A有K^N种情形，B只要根据A进行对应的变化就行（将A前后两部分对调位置），不过可能出现重复情形。这时候只要想办法剔除重复情形，分析出现重复的情况，即F=G+H,I=H+G,F=

原创 Least-Squares Rigid Motion Using SVD

Least-Squares Rigid Motion Using SVD

原创 乘法逆元+线性求mod p的所有数逆元

http://blog.miskcoo.com/2014/09/linear-find-all-invert[数论]线性求所有逆元的方法 September 7, 2014  miskcoo  Algorithm, Math前几天在看 lucas 定理的时候发现要求 1, 2,⋯,p−1modp1, 2,⋯,p−1modp 的逆元，然后就看到了一个 Θ(n)Θ(n)

原创 线性筛素数法

线性筛素数法代码：#includeusing namespace std; const long N = 200000; long prime[N] = {0},num_prime = 0; int isNotPrime[N] = {1, 1}; int main() { for(long i = 2 ; i < N ; i ++)

转载 积性函数系列（一）：欧拉函数

http://zhengyidong.me/2014/11/积性函数系列（一）：欧拉函数/积性函数系列（一）：欧拉函数NOVEMBER 14, 2014 AT 1:23 AM本系列是数论篇章的第一篇（于是又挖了一个数论的坑orz），主要介绍、证明初等数论中一些重要的概念、结论。在微积分学领域，积性函数指的是具有f(ab)=f(a)f(b)的函数，在数

转载 莫比乌斯函数

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。作者：Syu Gau链接：http://www.zhihu.com/question/23764267/answer/26007647来源：知乎首先定义几个概念：1，卷积：设是两个数论函数（也就是说，以自然数集为定义域的复数值函数），则卷积运算定义为可以证明，卷积运算满足：1）交换律

原创 字符串循环节

字符串若存在循环节，则必有最小循环节，其余循环节均为最小循环节的倍数。字符串看成一个映射i->s[i] 这样这个问题就类似于函数的周期性...证明：若X,Y是字符串的循环节则有 s[i]=s[i+x]=s[i+y]x=gcd*p y=gcd*q根据拓展欧几里德算法显然有 xm+yn=gcd(x,y)pm+yn=1于是s[i]=s[i+mx+ny]=s[i+gcd

原创 摄像机矩阵的性质

原创 Camera Models摄像机模型 world coordinate frame

原创 坐标系间转换

从高等代数里的知识，基向量的角度来看待这个问题，一切就非常简单了。任意2个坐标系之间的坐标转换：1.首先可以先考虑坐标原点相同的情形，只差一个平移2.坐标原点相同时，可以考虑其中1个坐标系b的三个坐标轴在另一个坐标系a下的表达。可以看到坐标系就是3个正交的基向量。向量v的坐标为a的坐标表达，p，q，r设为坐标系b的三个坐标单位向量在坐标系a下的坐标，则x,y,z就是向量v在

原创 Camera Models摄像机模型 camera coordinate frame

原创 Projective transformations射影变换

这一部分，为什么射影变换可以表达成一个非奇异矩阵的形式，找不到证明，书本后面直接使用这一性质。

原创 codeforces 543C C. Remembering Strings

51nod：好记的字符串题意：给定n个长度为m的字符串。为了让每个字符串变为独特的（该字符串的某一个位置存在一个字符ch，其他串的这个位置都不存在这个字符ch）,你可以改变某些字符串的某些字符。现在告诉你改变每个字符的代价，求让所有的串成为独特的串的最小代价。分析：定义dp[bitmask],bitmask的二进制中的1表示该位表示的字符串是独特，dp[bi

原创 2.2.3 Conies and dual conies

暂时不看

原创 1.1 Homogeneous representation

在所谓的欧式空间里引入其次坐标后，可以得到射影空间。在这个射影空间里，所有的2条不同直线相交于某一点。所有的平行直线交于无穷远处的同一点，反过来说，这些无穷远处的每一点都对应于某一类的平行直线的交点。同时可以将无穷远处所有点看成是无穷远处的一条直线的点（无穷远即为一条直线），来参与计算。可以带来很大的便捷。

原创 叉积

多维度的叉积涉及到的知识似乎没学过，而且似乎也暂时没有用，所以可以先只管二维与三维的情形。以下是知乎的相关问题的链接，下面有一些人的回答：N维向量的叉积是如何被定义的维基百科：向量积两个向量和的叉积写作×（有时也被写成∧，避免和字母x混淆）。叉积可以定义为：在这里θ表示和之间的角度（0°≤θ≤180°），它位于这两个矢量所定义的平面上。而是一个与、所构成

原创 摘录 Multiple View Geometry in Computer Vision preface

未校正方法the importance of the uncalibrated (projective) approach待看：RANSAC算法

转载 bundle adjustment 光束平差法介绍及其应用

来源wiki pedia: http://en.wikipedia.org/wiki/Bundle_adjustment光束平差法的最终目的归结为：减少观测图像的点和参考图像（预测图像）的点之间位置投影变换（再投影）误差。这最小化误差算法使用的是最小二乘算法，目前使用最为成功是Levenberg-Marquardt, 它具有易于实现，对大范围的初始估计能够快速收敛的优点。

转载 vslam与SFM区别与联系 2010

http://www.cvchina.info/2010/05/28/monoslam/comment-page-1/#comment-3952我主攻方向刚好是structure from motion，我一美国同学主攻的方向刚好是visual SLAM。我是在我们实验室vision组，他是在我们实验室Robotics组。我们又住在一起，每天必须争辩的事情就是struc

转载 移动机器人的同步自定位与地图创建研究进展

作者：陈卫东，张 飞摘要：自主移动机器人在未知环境下作业时，首先要解决的基本问题就是其自身的定位问题，而定位问题与环境地图的创建又是相辅相成的．本文从相关理论和关键技术等方面，系统地总结了同步自定位和地图创建的研究现状，着重介绍了基于概率论的方法，分析了目前存在的难题，并指出了未来研究的发展方向． 1 SLAM的相关理论与关键技术(Theories and technolo

转载 SLAM和MonoSLAM

原文地址 ： SLAM和MonoSLAMMonoSLAM的概念来自于SLAM（wiki），是Robotics中的一种定位算法，全称是Simultaneous Localization and Mapping。让机器人知道自己在那里（Localization），可以用GPS，但是误差有点大（5米左右？），而且还必须在室外。怎么才能让机器人在室内，或者更精确地知道自己的位置呢？SL

原创 多项式与快速傅里叶变换(一)

根据上面的Horner法则，可以在O(n^2)时间内求出n个点值。

原创 摘录

原创 第一类stiring数

下面是有符号第一类stiring数 ，

原创 一些常见组合数

上面的排列，不考虑其顺序。也就是说，这k个循环排列之间互相交换顺序，还是算一种。而且每个循环排列是按特定顺序的，即{A D C}与{A C D}是不同的，即有向环，按特定方向。这里n个物品是被标号的物品，互不相同，可以被区分开来。