是否龍磊磊真的一无所有的博客

本文重点分析对极几何（Epipolar Geometry）、对极约束（Epipolar Constraint）、本质矩阵（Essential Matrix）和基础矩阵（Fundamental Matrix），以及他们之间的关系。

本文主要介绍计算机视觉中，光流法Optical Flow Method，Lucas-Kanade方法的约束，CV中光流的约束分析，包括了亮度不变约束，速度向量计算等方法。

事件相机DVS（Dynamic Vision Sensor），该相机具有更宽的动态范围，输出较传统相机而言更稀疏、更快。一种快匹配自适应光流算法和完全通过FPGA完成的基于DVS相机的硬件实现与其功耗和计算速度方面的优势，最后介绍了该项研究在自动驾驶领域的广阔应用前景。

OpenCV中CommandLineParse类主要是命令行解析类。OpenCV中出现此类的主要目：方便用户在命令行使用过程中减少工作量。具体使用方式如下。我们将从三个方面介绍。首先是CommandLineParser类的构造函数，说明一下这个类的一些常用成员函数；随后介绍如何按需添加和配置参数和变量；最后直接使用Visual Studio 或者生成的exe文件，来按照命令行的方式，输入参数，并运行得到结果。...............

本篇博文，将介绍，李群与李代数的关系，如何利用李群与李代数，构造便于表示的旋转/变换矩阵，来表示移动的场景和目标。核心内容是：传统的旋转矩阵R和变换矩阵T，如果要在欧式空间进行构造，那么构造这个矩阵非常复杂，需要9个参数描述旋转，12个参数描述变换（9个旋转+3个平移）。下面通过对李代数的介绍，指数映射，对数映射，刚体的旋转，刚体的变换（旋转+平移），随后给定参考坐标X0，移动相机，对场景进行拍摄，还介绍如何通过李代数来表示场景的移动过程，参考的坐标点，在过程中，是如何随着相机移动变等问题探讨与分析。

第四讲 李群与李代数 习题证明 第5题，本博客《SLAM十四讲》，主要是针对第四讲 第5题这个证明题，进行展开。网上其他的各种证明方法，都稍微有点复杂。所以有如下这个方法。

如何定义正负样本，和正负样本在学习过程中loss计算起的作用正负样本定义分类和回归head如何学习和利用划分后的正负样本（loss如何计算）正负样本在分类中loss计算的处理正样本在bbox 回归中的loss计算在目标检测中，经常说起正负样本。本文仔细说一下，如何定义正负样本；定义正负样本之后，在loss计算中，正负样本分别参与到classification head和regression head中，是如何使用正负样本信息进行监督学习的。loss如何从正负样本中，直接得到这两类样本对不同任务的损失函数和

史上最全面实用工业相机选型，相机速率计算，相机靶面，相机接口，图像格式等参数详解与分析前言一、相机关键参数二、镜头关键参数三、相机与镜头选型四、图像格式详解五、接口类型分析六、其他补充说明七、参考资料前言本文，从工业相机的关键参数，相机镜头的关键参数，相机的速率选择，应用场景的速度分析，相机的接口选择，相机等数据传输格式等多方面综合介绍和实际分析出发，来为入门工程师，中级工程师，或者需要单独考虑某方面的配置程序员等，提供一个概括讲解或分析。一、相机关键参数对于工业相机，我们常用的是CMOS相

关于zeromq的创建，绑定本地，和绑定其他客户端的方法。网上一大堆关于zmq的通信模式的介绍，包括三种类型，具体我就不在描述。但是他们给的demo，都是创建本地作为server服务端，也作为client客户端的这个方式。都将端口设置为5555。这个方式是本地连本地，本地控制本地。本地作为客户端：作为客户端，发送信息。import zmqcontext = zmq.Context()# Socket to talk to serverprint("Connecting to h

主要是讲解Python利用OpenCV进行相机校正过程中，几个重点参数的分析。标定的过程就不再一一赘述了，很多博客和网站都在讲解怎么进行标定。本文章主要分析，标定过程中的误差计算公式，和对calibrateCamera( ) 和 projectPoints( )两个函数得到的误差，不同的原因进行分析。本文是重点分析重投影误差的计算方式。准确描述opencv自带的函数，和各个博客、教程里面所说的重投影误差计算的流程进行分析和对比，描述官方的重投影误差和教程实现重投影误差的差别。...

Macbook / 苹果系统写代码出现显示问题当使用Mac系统，在写代码的时候，如果是有一个GUI显示界面，然后你又去点击这个界面。此时，将报错。我的源代码，是读取图片，显示图片。import cv2 as cvpic = cv.imread("test.jpeg")dst = cv.resize(pic, (512, 512))cv.imshow("This is the test pic!", dst)cv.waitKey(5000)报错信息如下：2021-01-10 19:54:

基于深度学习的口罩识别与检测PyTorch实现1. 设计思路1.1 两阶段检测器：先检测人脸，然后将人脸进行分类，戴口罩与不戴口罩。1.2 一阶段检测器：直接训练口罩检测器，训练样本问人脸的标注信息，戴口罩的，不带口罩的。2. 算法具体实现。2.1 两阶段口罩识别检测器设计2.2 实现代码分析2.2.1 训练分类器并且保存模型2.2.2 人脸检测与剪裁，然后进行分类。3.总结4. 参考链接。两阶段口罩检测的算法设计与实现。主要讲解整体pipeline的设计。

本文从最本质的原理出发，对相机的外参和内参进行了描述。从不同坐标系的建模，到3D到2D的投影矩阵分析，到矩阵变换的求解。全面的分析和描述了相机参数的原理。camera extrinsics and intrinsics。

ORB特征，从它的名字中可以看出它是对FAST特征点与BREIF特征描述子的一种结合与改进，这个算法是由Ethan Rublee,Vincent Rabaud,Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFT or SURF”的文章中提出。就像文章题目所写一样，ORB是除了SIFT与SURF外一个很好的选择，而且它有很高的效率。ORB特征是目前最优秀的特征提取与匹配算法之一。

before：本篇博文先主要叙述ORB特征点提取算法，包括对其分解，FAST特征点的生成，BRIEF描述子的生成。然后对FPGA实现特征点提取进行简介。铺垫好这些基础后，在下一篇博文中，仔细介绍如何采用FPGA来实现高速的特征点提取。如何用VHDL来并行实现这一算法。请阅读本文时，记得看下一篇博文！一 、前言1.摘要：图像特征的检测和提取是计算机视觉

一、研究意义卷积神经网络（CNN）由于其强大的特征提取能力，近年来被广泛用于计算机视觉领域。1998年Yann LeCun等提出的LeNet-5网络结构，该结构使得卷积神经网络可以端到端的训练，并应用于文档识别。LeNet-5结构是CNN最经典的网络结构，而后发展的卷积神经网络结构都是由此版本衍生而来。在过去六年中，由于深度学习和卷积网络的发展和进步，基于图...

讲解如何利用OpenCV合成avi格式视频。在处理图像和视频的过程中，通常会遇到将视频转换成图像处理，或者将处理完的图像合成原视频。在基于视频的处理过程中，通常都是先将视频转换为每一帧图像，然后基于图像去处理。OpenCV有很多关于Video2Image的相关算法代码。注意，视频转图像过程中，只要有OpenCV配置好了，正常条件下都可以转换成图像。不依赖其他库，不依赖第三方库。将图像转合成...

情况说明：当在一个文件夹下面有好几十个或几百个文件需要删除，此时一一去挑选费时费力，特别是在Linux下面。因此，需要批量删除文件。     对训练样本（图像）和测试样本（图像）进行评估时候，需要查看是数据本身问题还是自己模型的问题，因此需要将错误分类的样本（图像）挑选出来，看到底是标注本身问题，还是说模型没有训练好。当是样本本身问题，需要将错误样本删除。    在3W多个训练样本中，...

Expected object of type torch.FloatTensor but found type torch.cuda.FloatTensorPytorcht调试过程中，将数据传入模型，进行计算。出现这个error，表明你的数据格式有问题。也许模型是GPU上的，参数是CPU类型。也许模型是CPU，参数是GPU类型。这是由于用了.cuda()进行转换。两个方法可以解决。1....

目标检测中计算mAP是较为复杂的，并不是很多讲解中说的那个计算precision和recall，然后总的ground truth 目标和检测出的真实目标做除法就可以了。而是需要构建precision和recall 曲线，然后计算曲线面积。一下是代码，可以去相关网站查看计算过程，过程较为复杂。mAP计算详解https://github.com/rafaelpadilla/Object-De...

YOLOv3训练过程中的各种文件。包括配置文件，权重文件。yolov3.ptyolov3.weightsdarknet53.conv.74yolov3-spp.weightsyolov3-tiny.conv.15yolov3-tiny.ptyolov3-tiny.weighshttps://drive.google.com/open?id=1uxgUBemJVw9w...

先给出论文链接：SSD: Single Shot MultiBox Detector 本文将对SSD中一些难以理解的细节做仔细分析，包括了default box和ground truth的结合，default box结合到不同检测的feature map层上，难样本挖掘，数据扩充，Atrous Algorithm算法原理等。包括了SSD对一阶段目标检测的贡献以及总结了SSD对其他目标检测方法的关键改进点。一、SSD具有如下主要特点 ...

图像特征点提取算法的算法研究（SURF和SIFT算法）1. 摘要 计算机视觉中，很大一部分研究集中在图像特征提取和特征生成算法上。对图像的优化，不同于一般数学问题的优化方法，图像的优化是对像素点，在某一个小的邻域内，进行特征的提取或者图像的分析，该优化主要是进行局部区域的优化，要寻找局部极值，而不像传统的优化算法那样进行全局的优化求解。由于相同物体在不同状态下所...