![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
立体视觉
文章平均质量分 72
awesome stereo ision
dc爱傲雪和技术
极限运动员
展开
-
cloudcompare对点云数据打标签流程
打完标签后点击merge multiple clouds将其合并为一个。点击加号在前六列的基础上再加上一列,列名为label。这时视角不能动了,进行框选分割,分割出上牙和下牙。这里设置其他为0,上牙的标签为1,下牙为2。导入cloudcompare。原创 2024-04-08 19:32:09 · 482 阅读 · 0 评论 -
slam技术简介
SLAM是指某种移动设备(如机器人、无人机、手机、汽车、智能穿戴设备等)从一个未知环境里的未知地点出发,在运动过程中通过传感器(如相机、激光雷达、IMU等)观测定位自身位置和姿态,再根据自身位姿进行增量式的地图构建,从而达到同时定位和地图构建的目的SLAM(Simultaneous Localization And Mapping)同时定位与地图构建我在哪里?• 定位(localization)我周围的环境是什么样子?• 建图(Mapping)我怎样到达指定地点?原创 2024-04-03 11:34:40 · 1588 阅读 · 0 评论 -
Pointnet++分类和分割数据集准备和实验复现
原始的modelnet40是off文件,是cad模型OFF文件是一种用于存储三维对象信息的文件格式,全称为"Object File Format"。它主要用于存储几何体的顶点、边和面信息,以及可能的颜色和纹理数据,从而描述了一个或多个三维模型的结构。OFF文件格式因其简洁明了的结构而被广泛用于学术研究和三维图形应用中,特别是在计算机图形学、三维建模和可视化领域。OFF文件的结构相对简单,通常以"OFF"作为文件的开头,随后是顶点(vertices)、面(faces)和(可选的)边(edges)的数量。原创 2024-04-01 16:28:27 · 1972 阅读 · 3 评论 -
sadtalker学习用于风格化音频驱动单图像说话人脸动画的真实 3D 运动系数的应用
4. 接下来只需要按步骤运行demo,就能在result文件夹下生成想要的动起来的mp4文件了,我的视频大约1分半,用了约10分钟生成,生成效果如下(已经按第6步视频增强)。5.生成的视频分辨率不够高,但相比之前自己使用的DID生成的数字人,真实度高了不少,DID生成的嘴巴明显是从另外找了一个,属于一眼假,DID链接如下。在examples/source_image文件夹中添加希望动起来说话的图片,这里添加的是航天之父戚发轫,respect。这次不用DID的另一个原因是生成的视频有水印了。原创 2024-03-30 16:14:15 · 532 阅读 · 0 评论 -
PointNet++点云处理原理
借鉴了多层神经网络的思想pointnet要么是一个点,要么是所有点进行操作,就不会有局部上下文信息pointnet++基本思想是迭代地应用到局部区域1.多级别特征学习2.旋转不变性3.置换不变性选取中心点centroid,通过pointnet学到这个小区域的全局特征采样:选取centroid (sample centroids)分组:以centroid为中心,选取局部的点 (group points by centroids)原创 2024-03-28 19:38:17 · 1027 阅读 · 0 评论 -
slam三维空间刚体运动及Eigen库的使用
在机器学习中,核函数(Kernel)矩阵或称为克拉默矩阵(Gram matrix)在支持向量机(SVM)等算法中扮演关键角色,其必须是半正定的,以确保优化问题的凸性,从而保证找到全局最优解。:在数学中,特别是线性代数中,自伴矩阵(也称为Hermite矩阵或对称矩阵,在实数域上)是指其转置矩阵和共轭矩阵等于其本身的矩阵。这种求解线性方程组的方法简单直接,但在实际应用中,尤其是对于大规模矩阵,直接计算矩阵的逆可能不是最高效或最稳定的方法。:在几何中,正交矩阵用于表示各种保持长度和角度不变的变换,如旋转、反射。原创 2024-03-19 16:51:00 · 1228 阅读 · 0 评论 -
Jacobian matrix雅可比矩阵
参考链接。原创 2024-03-16 18:14:28 · 154 阅读 · 0 评论 -
非同源点云尺度对齐及点云配准(cloudcompare软件)
这里修改了一下cloudcompare的背景色,使用rotate/tansform工具将两个点云移到大致匹配的位置,同时选择两个点云数据,然后再选择配准Align配准方法进行配准。可以看到目前cloudcompare配准精度都不理想,需要对双目成像的点云作进一步优化,后续想实现自动配准,欢迎大佬提出宝贵意见。选择哪个点云为Align那么那个点云将是被变动的点云(被转换到Reference点云的坐标系下)选择对应的特征点,这个按自己的需求,不过至少需要3对特征点。点击“Align”进行点云的配准。原创 2024-03-12 17:35:01 · 990 阅读 · 1 评论 -
ros2 订阅 sensor_msgs/msg/PointCloud2
由于d405的最佳工作距离为7到50cm,在launch文件中设置{'name': 'clip_distance', 'default': '0.5', 'description': ''},来裁减到距离大于50cm的点云。消息中的每个点都包括了三维坐标(x, y, z)和颜色(rgb)信息,每个字段都是32位浮点数格式,颜色信息需要特殊处理以提取RGB分量。这是一种常用的格式,适合表示三维空间中的坐标和颜色信息。)都只包含一个元素。的偏移量是16,表示在每个点的数据中,颜色信息跟在坐标信息后面。原创 2024-03-11 17:20:35 · 1535 阅读 · 0 评论 -
ros2 常用命令行操作汇总
【代码】ros2 常用命令行操作汇总。原创 2024-03-11 10:07:53 · 267 阅读 · 0 评论 -
intel realsense D405 在 ROS2 使用示例
此示例演示如何启动相机节点并使其使用点云选项发布点云。以下示例启动相机并同时打开 RViz GUI 以可视化发布的点云。它执行上面的 2 个示例。原创 2024-03-10 13:20:17 · 786 阅读 · 1 评论 -
立体视觉几何 (二)
SSD和SAD都是衡量图像间相似度的有效方法,但它们各有优势和局限性。SSD更适用于低噪声图像,能够强调大的像素差异,但在噪声较多的情况下可能不理想。SAD在处理噪声图像时表现更好,但可能对某些重要的像素变化不够敏感。选择哪种匹配函数取决于具体的应用场景和图像特性,以及处理速度的要求。在某些硬件架构上,SAD的计算可能比SSD更快。您提到了相关性(Correlation)和归一化相关性(Normalized Correlation)这两种用于立体匹配的方法。原创 2024-01-22 04:28:47 · 1609 阅读 · 0 评论 -
四元数的理解
特征向量是线性代数中的一个概念,通常与线性变换和矩阵相关。一个向量 ( \mathbf{v} ) 是某矩阵 ( A ) 的特征向量,如果它满足 ( A\mathbf{v} = \lambda\mathbf{v} ),其中 ( \lambda ) 是一个标量,称为特征值。原创 2024-01-18 18:53:27 · 826 阅读 · 0 评论 -
立体视觉几何(一)
立体视觉=对应+重建:• 对应:给定一幅图像中的点pl,找到另一幅图像中的对应点pr。• 重建:给定对应关系(pl, pr),计算空间中相应点的3D 坐标P。立体视觉:从图像中的投影恢复场景中点的三维位置的过程类型:基于窗口/局部的算法和全局算法三角测量:给定pl,我们知道点P位于连接pl和左光心Cl的直线Ll上。**假设我们确切地知道相机的参数,我们可以显式计算 Ll 和 Lr 的参数。**因此,我们可以计算两条直线的交点,即点 P。原创 2024-01-21 07:02:55 · 991 阅读 · 0 评论 -
双目点云重建全过程,附代码
本人正在做毕设,需要得到高精度的点云(亚毫米)用于点云配准,参考立体视觉几何 (三)-CSDN博客,由于zed相机的焦距的焦距较短(2.1mm)深度不确定度过大,下一步考虑使用海康工业相机,亲们如果有这方面的见解欢迎交流!原创 2024-02-28 16:33:04 · 1092 阅读 · 1 评论 -
Nerf原理理解
是一个体积雾渲染的过程。最后我们只需要通过一组图片和对应的相机位姿去训练一个网络,网络就能储存对应的模型信息,我们再输入一个不一样视角的相机参数,就能把我们想要看到一个物体的角度呈现出来。我们使用一个NeRF神经网络采取体积雾(带不透明度的点云)的渲染方式,通过已知视角的图片进行训练,然后输入其它相机视角的参数,从而预测出未出现视角的图片。这个理解方式是将这个点处理成了空间中的点,每个空间中的采样点在不同的位置和观测角度能呈现不同的颜色,而采样点的不透明度只与采样点的位置有关。原创 2024-03-05 12:47:35 · 990 阅读 · 0 评论 -
单目与双目相机标定(一)
在采集点云数据之前,通过使用已知尺寸和形状的校准物体在场景中放置特定的标记点或标定板。通过捕捉这些已知的标记点,可以建立一个参考坐标系,所有的点云数据都将相对于这个坐标系进行转换和合并。:对于基于摄像头的三维重建系统,首先需要通过相机标定的方式获取相机的内在参数(如焦距、主点等)和外在参数(相机相对于世界坐标系的位置和朝向)。这些参数可以用来将二维图像中的像素点转换为三维空间中的点,并建立一个全局坐标系。:在获得初步的三维点云之后,可以使用ICP算法来细化对齐和合并过程。原创 2024-02-26 15:11:10 · 1052 阅读 · 0 评论 -
旋转矩阵及左右乘的意义
最近看到讲的很清晰的一篇文章。转载 2024-02-28 06:39:25 · 35 阅读 · 0 评论