视觉SLAM十四讲笔记-5-3

已于 2022-05-22 16:44:49 修改
阅读量494 收藏 4
点赞数 1
分类专栏： 视觉slam十四讲笔记 文章标签： 经验分享
于 2022-05-05 21:53:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35588369/article/details/124585831
版权

视觉SLAM十四讲笔记-5-3

文章目录

5.4 实践：3D视觉

5.4.1 双目视觉

前面已经介绍了双目视觉的成像原理，现在从双目视觉的左右图像出发，计算图像对应的视差图，然后计算个各像素在相机坐标系下的坐标，它们将构成点云．

mkdir stereoVision
cd stereoVision
code .

//launch.json
{
    // Use IntelliSense to learn about possible attributes.
    // Hover to view descriptions of existing attributes.
    // For more information, visit: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "g++ - 生成和调试活动文件",
            "type": "cppdbg",
            "request":"launch",
            "program":"${workspaceFolder}/build/stereoVision",
            "args": [],
            "stopAtEntry": false,
            "cwd": "${workspaceFolder}",
            "environment": [],
            "externalConsole": false,
            "MIMode": "gdb",
            "setupCommands": [
                {
                    "description": "为 gdb 启动整齐打印",
                    "text": "-enable-pretty-printing",
                    "ignoreFailures": true
                }
            ],
            "preLaunchTask": "Build",
            "miDebuggerPath": "/usr/bin/gdb"
        }
    ]
}

//tasks.json
{
	"version": "2.0.0",
	"options":{
		"cwd": "${workspaceFolder}/build"   //指明在哪个文件夹下做下面这些指令
	},
	"tasks": [
		{
			"type": "shell",
			"label": "cmake",   //label就是这个task的名字,这个task的名字叫cmake
			"command": "cmake", //command就是要执行什么命令,这个task要执行的任务是cmake
			"args":[
				".."
			]
		},
		{
			"label": "make",  //这个task的名字叫make
			"group": {
				"kind": "build",
				"isDefault": true
			},
			"command": "make",  //这个task要执行的任务是make
			"args": [

			]
		},
		{
			"label": "Build",
			"dependsOrder": "sequence", //按列出的顺序执行任务依赖项
			"dependsOn":[				//这个label依赖于上面两个label
				"cmake",
				"make"
			]
		}
	]
}

#CMakeLists.txt
cmake_minimum_required(VERSION 3.0)

project(STEREOVISION)

#在g++编译时，添加编译参数，比如-Wall可以输出一些警告信息
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -Wall -std=c++11")

#一定要加上这句话，加上这个生成的可执行文件才是可以Debug的，不然不加或者是Release的话生成的可执行文件是无法进行调试的
set(CMAKE_BUILD_TYPE Debug)

# Eigen
include_directories("/usr/include/eigen3")

#此工程要调用opencv库，因此需要添加opancv头文件和链接库
#寻找OpenCV库
find_package(OpenCV REQUIRED)

#添加头文件
include_directories(${OpenCV_INCLUDE_DIRS})

#添加Pangolin依赖
find_package(Pangolin REQUIRED)
include_directories(${Pangolin_INCLUDE_DIRS})

add_executable(stereoVision stereoVision.cpp)

#链接OpenCV库
target_link_libraries(stereoVision ${OpenCV_LIBS})
target_link_libraries(stereoVision ${Pangolin_LIBRARIES})

#include <pangolin/pangolin.h>
#include <opencv2/opencv.hpp>
#include <vector>
#include <string>
#include <Eigen/Core>
#include <unistd.h>

using namespace std;
using namespace Eigen;

//文件路径
string left_file = "./left.png";
string right_file = "./right.png";


// 在pangolin中画图，已写好，无需调整
void showPointCloud(
    const vector<Vector4d, Eigen::aligned_allocator<Vector4d>> &pointcloud);

int main(int argc, char **argv)
{
    //内参
    double fx = 718.856, fy = 718.856, cx = 607.1928, cy = 185.2157;
    //基线
    double b = 0.573;

    //读取图像
    cv::Mat left = cv::imread(left_file, 0); //0表示返回一张灰度图
    cv::Mat right = cv::imread(right_file, 0); //0表示返回一张灰度图
    cv::Ptr<cv::StereoSGBM> sgbm = cv::StereoSGBM::create(0, 96, 9, 8 * 9 * 9, 32 * 9 * 9, 1, 63, 10, 100, 32); //关于sgbm算法的经典参数配置
    cv::Mat disparity_sgbm, disparity;
    sgbm->compute(left, right, disparity_sgbm);
    disparity_sgbm.convertTo(disparity, CV_32F, 1.0 / 16.0f); //注意disparity才是最后的视差图

    //生成点云
    vector<Vector4d, Eigen::aligned_allocator<Vector4d>> pointcloud;

    // 如果你的机器慢，请把后面的v++和u++改成v+=2, u+=2
    for(int v = 0; v < left.rows; ++v)
    {
        for(int u = 0; u < left.cols; ++u)
        {
            if(disparity.at<float>(v,u) <= 10.0 || disparity.at<float>(v,u) >= 96.0)
            {
                continue;
            }

            Vector4d point(0, 0, 0, left.at<uchar>(v, u) / 255.0); //前３维为xyz,第四维为颜色

            //根据双目模型计算point的位置
            double x = (u - cx) / fx; //由像素坐标系转到图像坐标系，即归一化平面
            double y = (v - cy) / fy;
            double depth = fx * b / (disparity.at<float>(v,u)); //根据双目相机模型计算深度
            point[0] = x * depth;
            point[1] = y * depth;
            point[2] = depth;

            pointcloud.push_back(point);
        }
    }
    cv::imshow("disparity", disparity / 96.0);
    cv::waitKey(0);
    //画出点云
    showPointCloud(pointcloud);
    return 0;
}

void showPointCloud(const vector<Vector4d, Eigen::aligned_allocator<Vector4d>> &pointcloud) {

    if (pointcloud.empty()) {
        cerr << "Point cloud is empty!" << endl;
        return;
    }

    pangolin::CreateWindowAndBind("Point Cloud Viewer", 1024, 768);
    glEnable(GL_DEPTH_TEST);
    glEnable(GL_BLEND);
    glBlendFunc(GL_SRC_ALPHA, GL_ONE_MINUS_SRC_ALPHA);

    pangolin::OpenGlRenderState s_cam(
        pangolin::ProjectionMatrix(1024, 768, 500, 500, 512, 389, 0.1, 1000),
        pangolin::ModelViewLookAt(0, -0.1, -1.8, 0, 0, 0, 0.0, -1.0, 0.0)
    );

    pangolin::View &d_cam = pangolin::CreateDisplay()
        .SetBounds(0.0, 1.0, pangolin::Attach::Pix(175), 1.0, -1024.0f / 768.0f)
        .SetHandler(new pangolin::Handler3D(s_cam));

    while (pangolin::ShouldQuit() == false) {
        glClear(GL_COLOR_BUFFER_BIT | GL_DEPTH_BUFFER_BIT);

        d_cam.Activate(s_cam);
        glClearColor(1.0f, 1.0f, 1.0f, 1.0f);

        glPointSize(2);
        glBegin(GL_POINTS);
        for (auto &p: pointcloud) {
            glColor3f(p[3], p[3], p[3]);
            glVertex3d(p[0], p[1], p[2]);
        }
        glEnd();
        pangolin::FinishFrame();
        usleep(5000);   // sleep 5 ms
    }
    return;
}

left.png:
在这里插入图片描述
right.png:
在这里插入图片描述
SGBM的视差图：
请添加图片描述
点云图：
在这里插入图片描述
查看点云点坐标，这些坐标是在相机坐标系下的坐标(Z轴超前，Ｘ轴朝右，Y轴朝下)
请添加图片描述
这个例子中直接调用了OpenCV的SGBM(Semi-Global Batch Matching)算法计算左右图像的视差，然后通过双目相机的几何模型把它变换到相机的3D空间中．
SGBM是用来来自网络的经典配置，主要调整了最大和最小视差．视差数据结合相机的内参，基线，即能确定各点在三维空间中的位置．

5.4.2 RGB-D视觉

RGB-D相机的方便之处在于通过物理方法获得像素深度信息．如果已知一个相机的内外参，就可以计算一个像素在世界坐标系下的位置，从而建立一张点云地图．
给出5对图像，每一对有RGB图，和对应到深度图，同时有图像对应的相机外参数(以 T w c T_{wc} Twc​ 形式)．位姿记录仍然和以前一样：

[ x , y , z , q x , q y , q z , q w ] [x,y,z,q_x,q_y,q_z,q_w] [x,y,z,qx​,qy​,qz​,qw​]
下面程序实现的功能是：
1.根据内参计算一对RGB-D图像对应的点云；
2.根据各张图像的相机位姿(也就是外参)，把点云加起来，组成地图．

新建文件夹并在该文件夹下打开 VS Code

 mkdir jointMap
 cd jointMap/
 code .

//launch.json
{
    // Use IntelliSense to learn about possible attributes.
    // Hover to view descriptions of existing attributes.
    // For more information, visit: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "g++ - 生成和调试活动文件",
            "type": "cppdbg",
            "request":"launch",
            "program":"${workspaceFolder}/build/jointMap",
            "args": [],
            "stopAtEntry": false,
            "cwd": "${workspaceFolder}",
            "environment": [],
            "externalConsole": false,
            "MIMode": "gdb",
            "setupCommands": [
                {
                    "description": "为 gdb 启动整齐打印",
                    "text": "-enable-pretty-printing",
                    "ignoreFailures": true
                }
            ],
            "preLaunchTask": "Build",
            "miDebuggerPath": "/usr/bin/gdb"
        }
    ]
}

//tasks.json
{
	"version": "2.0.0",
	"options":{
		"cwd": "${workspaceFolder}/build"   //指明在哪个文件夹下做下面这些指令
	},
	"tasks": [
		{
			"type": "shell",
			"label": "cmake",   //label就是这个task的名字,这个task的名字叫cmake
			"command": "cmake", //command就是要执行什么命令,这个task要执行的任务是cmake
			"args":[
				".."
			]
		},
		{
			"label": "make",  //这个task的名字叫make
			"group": {
				"kind": "build",
				"isDefault": true
			},
			"command": "make",  //这个task要执行的任务是make
			"args": [

			]
		},
		{
			"label": "Build",
			"dependsOrder": "sequence", //按列出的顺序执行任务依赖项
			"dependsOn":[				//这个label依赖于上面两个label
				"cmake",
				"make"
			]
		}
	]
}

#CMakeLists.txt
cmake_minimum_required(VERSION 3.0)

project(JOINTMAP)

#在g++编译时，添加编译参数，比如-Wall可以输出一些警告信息
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -Wall -std=c++11")

#一定要加上这句话，加上这个生成的可执行文件才是可以Debug的，不然不加或者是Release的话生成的可执行文件是无法进行调试的
set(CMAKE_BUILD_TYPE Debug)

# Eigen
include_directories("/usr/include/eigen3")

#此工程要调用opencv库，因此需要添加opancv头文件和链接库
#寻找OpenCV库
find_package(OpenCV REQUIRED)

#添加头文件
include_directories(${OpenCV_INCLUDE_DIRS})

#添加Pangolin依赖
find_package(Pangolin REQUIRED)
include_directories(${Pangolin_INCLUDE_DIRS})

# 为使用 sophus，需要使用find_package命令找到它
find_package(Sophus REQUIRED)
include_directories( ${Sophus_INCLUDE_DIRS} )

add_executable(jointMap jointMap.cpp)

#链接OpenCV库
target_link_libraries(jointMap ${OpenCV_LIBS})
target_link_libraries(jointMap ${Pangolin_LIBRARIES})
target_link_libraries(jointMap Sophus::Sophus)

#include <iostream>
#include <fstream>
#include <opencv2/opencv.hpp>
#include <boost/format.hpp> //for formating strings
#include <sophus/se3.hpp>
#include <pangolin/pangolin.h>

using namespace std;
typedef vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> TrajectoryType;
typedef Eigen::Matrix<double, 6, 1> Vector6d;

void showPointCloud(const vector<Vector6d, Eigen::aligned_allocator<Vector6d>> &pointcloud);

int main(int argc, char **argv)
{
    vector<cv::Mat> colorImgs, depthImgs; //彩色图和深度图
    TrajectoryType poses; //相机位姿
    ifstream fin("./pose.txt");
    if(!fin)
    {
        cerr << "请在有poses.txt的目录下运行此程序" << endl;
        return 1;
    }
    //读取并保存数据
    for(int i=0; i<5; ++i)
    {
        boost::format fmt("./%s/%d.%s"); //图像文件格式
        colorImgs.push_back(cv::imread((fmt % "color" % (i+1) % "png").str()));
        depthImgs.push_back(cv::imread((fmt % "depth" % (i+1) % "pgm").str(), -1)); //使用-1读取原始图像

        double data[7] = {0};
        for(auto &d:data) fin >> d;
        Sophus::SE3d pose(Eigen::Quaterniond(data[6], data[3], data[4], data[5]),
        Eigen::Vector3d(data[0], data[1], data[2])
        );
        Eigen::Vector3d(data[0], data[1], data[2]);
        poses.push_back(pose);
    }
    //计算点云并拼接
    //相机内参
    double cx = 325.5; //x方向上的原点平移量
    double cy = 253.5; //y方向上的原点平移量
    double fx = 518.0; //焦距
    double fy = 519.0; //焦距
    double depthScale = 1000.0; //现实世界中1米在深度图中存储为一个depthScale值
    vector<Vector6d, Eigen::aligned_allocator<Vector6d>> pointcloud;
    pointcloud.reserve(1000000);
    for(int i=0; i<5; ++i)
    {
        cout << "转换图像中：" << i+1 << endl;
        cv::Mat color = colorImgs[i];
        cv::Mat depth = depthImgs[i];
        Sophus::SE3d T = poses[i]; //用SE3d表示的从当前相机坐标系到世界坐标系的变换
        for(int v=0; v<color.rows; ++v)
        {
            for(int u=0; u<color.cols; ++u)
            {
                unsigned int d = depth.ptr<unsigned short>(v)[u]; //深度值
                if(d == 0) continue;
                //把每一个像素点转换到相机坐标系下
                Eigen::Vector3d point;
                point[2] = double(d) / depthScale;
                point[0] = (u - cx) * point[2] / fx;
                point[1] = (v - cy) * point[2] / fy;
                //从相机坐标系到世界坐标系
                Eigen::Vector3d pointWorld = T * point;

                //颜色的话仍为原图原色
                Vector6d p;
                p.head<3>() = pointWorld; //head<n>()函数是对于Eigen库中的向量类型而言的，表示提取前n个元素
                //opencv中图像的data数组表示把其颜色信息按行优先的方式展成的一维数组
                p[5] = color.data[v * color.step + u * color.channels()]; //blue
                p[4] = color.data[v * color.step + u * color.channels() + 1]; //green
                p[3] = color.data[v * color.step + u * color.channels() + 2]; //red
                pointcloud.push_back(p);
            }
        }
    }
    cout << "点云共有" << pointcloud.size() << "个点." << endl;
    showPointCloud(pointcloud);
    return 0;
}
void showPointCloud(const vector<Vector6d, Eigen::aligned_allocator<Vector6d>> &pointcloud) {

    if (pointcloud.empty()) {
        cerr << "Point cloud is empty!" << endl;
        return;
    }

    pangolin::CreateWindowAndBind("Point Cloud Viewer", 1024, 768);
    glEnable(GL_DEPTH_TEST);
    glEnable(GL_BLEND);
    glBlendFunc(GL_SRC_ALPHA, GL_ONE_MINUS_SRC_ALPHA);

    pangolin::OpenGlRenderState s_cam(
        pangolin::ProjectionMatrix(1024, 768, 500, 500, 512, 389, 0.1, 1000),
        pangolin::ModelViewLookAt(0, -0.1, -1.8, 0, 0, 0, 0.0, -1.0, 0.0)
    );

    pangolin::View &d_cam = pangolin::CreateDisplay()
        .SetBounds(0.0, 1.0, pangolin::Attach::Pix(175), 1.0, -1024.0f / 768.0f)
        .SetHandler(new pangolin::Handler3D(s_cam));

    while (pangolin::ShouldQuit() == false) {
        glClear(GL_COLOR_BUFFER_BIT | GL_DEPTH_BUFFER_BIT);

        d_cam.Activate(s_cam);
        glClearColor(1.0f, 1.0f, 1.0f, 1.0f);

        glPointSize(2);
        glBegin(GL_POINTS);
        for (auto &p: pointcloud) {
            glColor3d(p[3] / 255.0, p[4] / 255.0, p[5] / 255.0);
            glVertex3d(p[0], p[1], p[2]);
        }
        glEnd();
        pangolin::FinishFrame();
        usleep(5000);   // sleep 5 ms
    }
    return;
}

运行结果：
请添加图片描述
请添加图片描述

四夕小一冰
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
通过VTK显示PCL点云
黄昏的晨曦
02-04 4164
void showPointCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr pointCloud){ if(pointCloud->points.size() == 0){ warningWindow(STR_3D_IMAGE_ERROR_TITLE); return; } vtkSma...
c++ opencv4.5.0 头文件_SLAM从0到1——3. 由双目视觉图像获得三维点云(含Pangolin/OpenCV基本指令讲解)...
weixin_39541869的博客
11-20 683
「本文介绍了在Linux系统下由双目视觉图像获得三维点云的案例，程序每一行都有注释讲解」(关于SLAM更基础的介绍打算放到本系列的前两篇文章，后面再补吧)Pangolin是Linux系统中基于 OpenGL的3D绘图库，OpenCV是应用广泛的开源计算机视觉库。本文中涉及一些使用中的常见指令。本案例实现思路如下：根据双目视觉的左右眼图像（灰度图）：通过调用OpenCV中的SGBM算法计算得到两幅图...
[双目视差] 立体匹配算法推理 - SGBM算法（一）
yegeli的博客
08-18 4705
文章目录[双目视差] 立体匹配算法推理 - SGBM算法（一）一、SGBM与SGM的区别二、代价计算 [双目视差] 立体匹配算法推理 - SGBM算法（一） SGBM立体匹配算法，总体来讲包含以下6个步骤： Preprocess ( GaussBlur , SobelX, …etc) 预处理 Cost Compute ( AD, SAD, SSD, BT, NCC, Census, …etc) 代价计算 Cost Aggregation ( Boxfilter, CBCA, WMF, MST,
SLAM学习之路---双目相机照片生成点云（附C++代码）
McQueen_LT的博客
07-18 9152
一、概述 本文记录如何根据双目相机得到的两帧图片数据来计算出三维点云。这里主要涉及到双目视觉的成像原理，在《视觉SLAM十四讲》第2版的第五讲中有详细介绍。本文的代码根据书上给出的代码进行编写，数据来自https://github.com/gaoxiang12/slambook2/tree/master/ch5/stereo。 二、双目相机模型 众所周知，单目相机是没法确定照片中的某个像素在三维空间中的具体位置的，因为它损失了深度信息。而双目相机就像人的双眼一样，可以根据左右眼看到物体的视差来确定深度，当人
《视觉SLAM十四讲》笔记
01-06
1. 视觉SLAM 系统概述 SLAM 是Simultaneous Localization and Mapping 的缩写，中文译作“同时定位与地图构建” 。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计...
视觉SLAM理论与实践1-cmake练习
11-15
此代码主要是视觉SLAM理论与实践的cmake操作，详细说明请移步本人的博客https://blog.csdn.net/whut_chengjun/article/details/103069881 注：假设您已经安装好了ubuntu系统，创建好了工作空间，并有了一定的c++...
2020-SLAM-Summer-School-slides.zip
09-17
这里是第三届SLAM暑期学校的每一章节的课件,配合其视频食用味道更加醇美无比。可以用作配套的讲义。怎么还不够。
视觉SLAM相关论文和笔记.rar
02-18
视觉SLAM 相关论文LeGO Loam、VINS、BA
SLAM~CH5
闲某欧
07-25 1059
代码来自视觉SLAM十四讲
VS2017+OpenCV3.3基于SGBM算法的双目立体视觉、双目测距（双目校正和立体匹配）(文档里包含了测试图片)
01-11
VS2017+OpenCV3.3基于SGBM算法的双目立体视觉、双目测距（双目校正和立体匹配）(文档里包含了测试图片)
视觉SLAM十四讲
epic_Lin的博客
01-26 1万+
1、激光SLAM 激光SLAM相对成熟，比如2005年出版的《概率机器人》中就介绍了很多关于激光SLAM的知识，在ROS里也能找到许多关于激光定位、激光建图的现成软件。 2、单目SLAM 在相机移动时，近处的物体移动快，远处的物体移动慢，极远处的物体看上去是不动的。于是当相机移动时，这些物体在图像上的运动就形成了视差。通过视差，我们就能定量的判断哪些物体离得远，哪些物体离得近。 然而，即使我们知道了物体远近，它们仍然只是一个相对的值。单目SLAM估计的轨迹和地图将与真实的轨迹和地图相差一个因子，也就
用 VS Code 调试C/C++工程步骤总结(简洁版)
qq_35588369的博客
04-26 1153
用 VS Code 调试C/C++工程步骤总结(简洁版) 一、编写CMakeLists.txt 文件 简单模板如下： cmake_minimum_required(VERSION 3.0) project(SOLIDERFIRE) #在g++编译时，添加编译参数，比如-Wall可以输出一些警告信息 set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -Wall") #一定要加上这句话，加上这个生成的可执行文件才是可以Debug的，不然不加或者是Release的话生成的可执行
半闲居士视觉SLAM十四讲笔记（5）点云拼接
W_Liur的博客
06-12 1333
执行pcl_viewer map.pcd不成功（运行程序总说找不到pcd文件），把pcd文件和你的可执行文件放一起试试...
双目立体匹配算法SGBM
热门推荐
A_L_A_N
08-07 5万+
semi-global matching（SGM）是一种用于计算双目视觉中视差（disparity）的半全局匹配算法，在OpenCV中的实现为semi-global block matching（SGBM）。 第一部分：SGBM算法原理： 一、预处理 Step1：SGBM采用水平Sobel算子，把图像做处理，公式为： Sobel(x,y)=2[P(x+1,y)-P(x-1,y)]+ P(x...
sgbm算法_关于双目立体视觉的三大基本算法及发展现状的总结
weixin_39672160的博客
11-27 2199
作者：何文博来源：公众号@3D视觉工坊双目立体视觉一直是机器视觉研究领域的发展热点和难点，“热”是因为双目立体视觉有着及其广阔的应用前景，且随着光学、计算机科学等学科的不断发展，双目立体技术将不断进步直到应用到人类生活的方方面面。“难”则是因为受到摄像机、镜头等硬件设备及一些相关算法的限制，双目立体视觉的研究及如何更好的应用到生产实际中仍有待在座的各位去进行突破。一.简介双目立体视觉是机器视觉中的...
slam14讲第5讲实践编译问题
kbfvictory的博客
04-03 463
前言：由于论文需要对点云处理，所以又回到了slam14讲第5讲点云拼接 平台:ubuntu18.04 编译ch5/rgbd/jointMap.cpp出现错误如下： 问题分析：找不到Core.h文件 处理办法; 讲ch5文件下CMakeLists.txt文件里面内容复制粘贴到rgbd文件下CMakeLists.txt里面，如下 ...
双目立体视觉匹配算法之视差图disparity计算——SAD算法、SGBM算法
hitzijiyingcai的博客
10-19 2万+
一、SAD算法 1.算法原理         SAD(Sum of absolute differences)是一种图像匹配算法。基本思想：差的绝对值之和。此算法常用于图像块匹配，将每个像素对应数值之差的绝对值求和，据此评估两个图像块的相似度。该算法快速、但并不精确，通常用于多级处理的初步筛选。 2.基本流程 输入：两幅图像，一幅Left-Image，一幅Right-Image 对左图，依...
视觉slam十四讲笔记
最新发布
08-13
- *2* *3* [【视觉SLAM十四讲】笔记【逐行代码带你解析】【适合纯小白 ps:因为我就是】（持续更新中）](https://blog.csdn.net/R_ichun/article/details/131964588)[target="_blank" data-report-click={"spm":"1018...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值