![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器视觉
老李lyj
这个作者很懒,什么都没留下…
展开
-
OpenCV+OpenGL 双目立体视觉三维重建
0.绪论这篇文章主要为了研究双目立体视觉的最终目标——三维重建,系统的介绍了三维重建的整体步骤。双目立体视觉的整体流程包括:图像获取,摄像机标定,特征提取(稠密匹配中这一步可以省略),立体匹配,三维重建。我在做双目立体视觉问题时,主要关注的点是立体匹配,本文主要关注最后一个步骤三维重建中的:三角剖分和纹理贴图以及对应的OpenCV+OpenGL代码实现。1.视差计算1.1基转载 2016-10-23 16:35:48 · 7567 阅读 · 0 评论 -
OpenCV特征点检测------Surf(特征点篇)
Surf(Speed Up Robust Feature)Surf算法的原理 1.构建Hessian矩阵构造高斯金字塔尺度空间其实surf构造的金字塔图像与sift有很大不同,就是因为这些不同才加快了其检测的速度。Sift采用的是转载 2016-10-23 17:09:39 · 3398 阅读 · 0 评论 -
Opencv学习笔记------Harris角点检测
image算法测试iteratoralgorithmfeatures原创文章,转载请注明出处:http://blog.csdn.net/crzy_sparrow/article/details/7391511文章目录:一、Harris角点检测基本理论二、OpenCV代码实现三、改进的Harris角点检测四、FAST角点检测五、参考文献转载 2016-10-23 17:11:40 · 586 阅读 · 0 评论 -
视觉SLAM漫谈
1. 前言 开始做SLAM(机器人同时定位与建图)研究已经近一年了。从一年级开始对这个方向产生兴趣,到现在为止,也算是对这个领域有了大致的了解。然而越了解,越觉得这个方向难度很大。总体来讲有以下几个原因:入门资料很少。虽然国内也有不少人在做,但这方面现在没有太好的入门教程。《SLAM for dummies》可以算是一篇。中文资料几乎没有。SLAM研究已进行了三十多年,从上转载 2016-10-14 09:39:01 · 712 阅读 · 0 评论 -
视觉SLAM漫谈(二):图优化理论与g2o的使用
1 前言以及回顾 各位朋友,自从上一篇《视觉SLAM漫谈》写成以来已经有一段时间了。我收到几位热心读者的邮件。有的希望我介绍一下当前视觉SLAM程序的实用程度,更多的人希望了解一下前文提到的g2o优化库。因此我另写一篇小文章来专门介绍这个新玩意。 在开始本篇文章正文以前,我们先来回顾一下图优化SLAM问题的提法。至于SLAM更基础的内容,例如SLAM是转载 2016-10-14 09:40:55 · 546 阅读 · 0 评论 -
视觉SLAM漫谈 (三): 研究点介绍
1. 前言 读者朋友们大家好!(很久很久)之前,我们为大家介绍了SLAM的基本概念和方法。相信大家对SLAM,应该有了基本的认识。在忙完一堆写论文、博士开题的事情之后,我准备回来继续填坑:为大家介绍SLAM研究的方方面面。如果前两篇文章算是"初识",接下来几篇就是"渐入佳境"了。在第三篇中,我们要谈谈SLAM中的各个研究点,为研究生们(应该是博客的多数读者吧)作一个提纲挈领的摘要。然后转载 2016-10-14 09:41:47 · 330 阅读 · 0 评论 -
即时定位与地图构建(SLAM)的相关研究
即时定位与地图构建(SimultaneousLocalization AndMapping)指的是机器人在自身位置不确定的条件下,在完全未知环境中创建地图,同时利用地图进行自主定位和导航。SLAM问题可以描述为:机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和传感器数据进行自身定位,同时建造增量式地图。(1)定位(localization):机器人必须知道自己在转载 2016-10-14 09:42:56 · 1284 阅读 · 0 评论 -
实用教程|快速搭建自动导航机器人(一)
服务机器人的核心问题在于自主定位与导航,它主要包括几大问题: 无需用户干预,机器人自主构建环境地图?实时、高精度的获取机器人所在位置?有效规避环境障碍,抵达目标地点?在未知环境中,有效规划两地之间最短路线? 有了相应解决方案后,对于服务机器人厂商,还需要考虑如何快速与现有系统整合,加快产品上市?在高性能与低成本间如何获得平衡?转载 2017-08-31 17:49:15 · 1783 阅读 · 0 评论 -
实用教程|快速搭建自动导航机器人( 二)
4. STM32固件配置 底盘的固件代码需要修改为适应当前底盘的具体参数,可以用slamware_config_tool.exe工具来自动生成配置文件: 配置工具链接:http://pan.baidu.com/s/1qXHWDzQ密码:3hs6 打开slamware_config_tool.exe, 添加以下参数: (1) 底盘直径:将Robot Diame转载 2017-08-31 17:50:18 · 2461 阅读 · 0 评论 -
实用教程|快速搭建自动导航机器人(三)
系统整体坐标系:输出底盘调试信息 在配置MCU固件代码的时候,如果需要输出调试信息,可以连接J7调试输出口至电脑USB用SSCOM工具查看调试信息。 请自行下载SSCOM工具,并运行。 比如在底盘代码中加入DBG_OUT(),格式与printf()一致。 然后连接J7和电脑的COM口,用SSCOM工具查看调试信息:转载 2017-08-31 17:51:39 · 1031 阅读 · 0 评论 -
OpenCV特征点检测算法对比
识别算法概述:SIFT/SURF基于灰度图,一、首先建立图像金字塔,形成三维的图像空间,通过Hessian矩阵获取每一层的局部极大值,然后进行在极值点周围26个点进行NMS,从而得到粗略的特征点,再使用二次插值法得到精确特征点所在的层(尺度),即完成了尺度不变。 二、在特征点选取一个与尺度相应的邻域,求出主方向,其中SIFT采用在一个正方形邻域内统计所有点的梯度方向转载 2016-10-23 17:08:26 · 2021 阅读 · 0 评论 -
推荐一个计算机视觉图书:python计算机视觉编程
编辑部的主页:好像没啥用http://shop.oreilly.com/product/0636920022923.do每章的代码,github上面的:中文版https://github.com/willard-yuan/pcv-book-codegithub上面,英文版:https://github.com/jesole转载 2016-10-23 17:03:29 · 3926 阅读 · 0 评论 -
半全局立体匹配方法调研,以及一些立体匹配方向的思考
写大论文的时候看到了这篇文章,感叹到作者科研的创新《A Non-Local Cost Aggregation Method for Stereo Matching》一种非局部代价聚合立体匹配方法 对于基于局部信息的立体匹配,采用的一般都是滑动窗口,作者创造性的提出使用最小生成树并结合其性质完成了全局代价聚合的值传递工作,效果很好,而且有代码实现:转载 2016-10-23 16:59:23 · 883 阅读 · 0 评论 -
基于图像分割的立体匹配方法
1.绪论立体匹配是三维重建系统的关键步骤,并且作为一种非接触测量方法在工业以及科研领域具有重要的应用价值。为了完成匹配工作以及获取场景的稠密视差图,可以通过构建能量函数对应立体匹配的约束条件。复杂能量函数的全局最优解通常是NP难问题。相对于其他全局优化算法相比如模拟退火、梯度下降、动态规划等,图割算法不仅精度高,收敛速度快,并且对于光照变化、弱纹理等区域的匹配效果也比其他算法好。2转载 2016-10-23 16:38:36 · 3777 阅读 · 0 评论 -
python+OpenCV 特征点检测
1.Harris角点检测Harris角点检测算法是一个极为简单的角点检测算法,该算法在1988年就被发明了,算法的主要思想是如果像素周围显示存在多于一个方向的边,我们认为该点为兴趣点。基本原理是根据公式: 化简为求解矩阵,最后根据矩阵的特征值判断是否为角点 实现效果: 代码(不用OpenCV):# -*- coding: utf-8 -*-fro转载 2016-10-23 16:40:09 · 2562 阅读 · 0 评论 -
三维重建技术概述
1. 相关概念(1)彩色图像与深度图像彩色图像也叫作RGB图像,R、G、B三个分量对应于红、绿、蓝三个通道的颜色,它们的叠加组成了图像像素的不同灰度级。RGB颜色空间是构成多彩现实世界的基础。深度图像又被称为距离图像,与灰度图像中像素点存储亮度值不同,其像素点存储的是该点到相机的距离,即深度值。图2-1表示深度图像与灰度图像之间的关系。 图2-1 深度图像与灰度图像转载 2016-10-23 16:42:12 · 3073 阅读 · 0 评论 -
三维重建基础
三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程,把真实场景刻画成符合计算机逻辑表达的数学模型。这种模型可以对如文物保护、游戏开发、建筑设计、临床医学等研究起到辅助的作用。1.1 研究背景及意义人类通过双眼来探索与发现世界。人类接收外部信息的方式中,有不到三成来自于听觉、触觉、嗅觉等感受器官,而超过七成、最丰富、最复杂的信息则通过视觉[1]进行感知的。计算机视觉转载 2016-10-23 16:43:40 · 5200 阅读 · 0 评论 -
立体匹配的研究背景以及意义
转载请注明出处:http://blog.csdn.net/wangyaninglm/article/details/51533549, 来自: shiter编写程序的艺术计算机视觉是一门研究使用计算机来模拟人的视觉系统的学科。“一图胜千言”,人类对于图像中的信息感知效率远超文字等其他媒介,人类获取的信息总量中更是有高达80%依靠视觉系统[1]。相对于人类高效的图像信息提取能力,计算转载 2016-10-23 16:44:57 · 1882 阅读 · 0 评论 -
基于最小生成树的实时立体匹配算法简介
转载请注明出处:http://blog.csdn.net/wangyaninglm/article/details/51533549, 来自: shiter编写程序的艺术图割,置信传播等全局优化立体匹配算法,由于运算过程中需要迭代求精,运算时间长,无法达到实时计算立体匹配的需求,然而实时性需求却广泛存在立体匹配的应用场景中。很多基于局部匹配的算法虽然运算时间短,但由于仅考虑匹配窗内转载 2016-10-23 16:46:17 · 1752 阅读 · 1 评论 -
立体匹配导论
转载请注明出处:http://blog.csdn.net/wangyaninglm/article/details/51531333, 来自: shiter编写程序的艺术2.1 视差理论计算机立体视觉系统通过模仿人类的的视觉系统,根据对同一场景从不同位置拍摄的两视角或多视角图像,采用几何方法可以计算出深度信息。本文主要研究的双目立体视觉系统如下图所示 双相机系统转载 2016-10-23 16:47:12 · 1671 阅读 · 0 评论 -
基于重心偏移的视差计算
视差的计算,主要要计算待匹配图像对应像素的水平偏移,那么针对一个物体而言,其在场景中的视差大体上应该是平滑的,所以可以直接针对分割出的物体计算重心的水平偏移从而得到视差值,我做了一个小实验,感觉效果还行,下面是代码和实验结果,希望各位有什么想法大家交流。 有一个问题就是,我这个视差计算出来是这个台灯是221的灰度,标准的是224的灰度。我的流程是算出横向偏移x,视转载 2016-10-23 16:56:29 · 608 阅读 · 0 评论 -
快速高分辨率图像的立体匹配方法Effective large scale stereo matching
《Effective large scale stereo matching》In this paper we propose a novel approach to binocular stereo for fast matching of high-resolution images. Our approach builds a prior on the disparities by转载 2016-10-23 16:58:20 · 1013 阅读 · 0 评论 -
双目立体匹配算法:ADCensus概述
ADCensus立体匹配算法是Xing Mei, Xun Sun, Mingcai Zhou等几个人在2011年,发表的一篇题目为:《On Building an Accurate Stereo Matching System on Graphics Hardware》中提出的。ADCensus双目立体匹配算法曾一度排在MiddleBurry官网上第一的位置,引用量很高。其转载 2017-12-30 12:14:21 · 14594 阅读 · 11 评论