![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
slam
文章平均质量分 72
优秀的田
这个人写的真的水!!!
展开
-
计算相机位姿——直接法
直接法根据像素的亮度信息来估计相机运动,不需要知道点之间的对应关系,而是通过最小化光度误差来求得。光流是一种描述像素随时间在图像之间运动的方法,计算部分像素运动的称为稀疏光流,计算所有像素的成为稠密光流。其中系数光流以Lucas-Kanade光流为代表(LK光流)。在t时刻,某一图像位于(x,y)处...原创 2021-04-16 17:05:11 · 1601 阅读 · 0 评论 -
PnP问题求解
1.直接线性变换(DLT)对某空间点P = (X, Y, Z, 1)T,在某图像中对应点为 x1 = (u1, v1, 1)T,则有s(u1v11)=(t1t2t3t4t5t6t7t8t9t10t11t12)(XYZ1)s\left(\begin{array}{l}u_{1} \\v_{1} \\1\end{array}\right)=\left(\begin{array}{llll}t_{1} & t_{2} & t_{3} & t_{4} \\t_{5} &am原创 2021-04-09 15:25:42 · 3708 阅读 · 0 评论 -
特征点的三角化
三角化即在不同的位置观测同一个三维点P(x, y, z),已知在不同位置处观察到的三维点的二维投影点X1(x1, y1), X2(x2, y2),利用三角关系,恢复出三维点的深度信息z。由于噪声的影响,这两条直线往往无法相交。则有s1x1=s2Rx2+ts_{1} \boldsymbol{x}_{1}=s_{2} \boldsymbol{R} \boldsymbol{x}_{2}+\boldsymbol{t}s1x1=s2Rx2+t其中R、t已知,为了求解s1、s2,可以分开求解,先左乘原创 2021-04-09 10:46:40 · 1342 阅读 · 0 评论 -
卡方检验
转自https://blog.csdn.net/ludan_xia/article/details/81737669卡方检验卡方检验是一种用途很广的计数资料的假设检验方法。属于非参数检验,主要是比较两个及两个以上样本率(构成比)以及两个分类变量的关联性分析。根本思想在于比较理论频数和实际频数的吻合程度或者拟合优度问题。应用:两个率或两个构成比比较的卡方检验;多个率或多个构成比比较的卡方检验以及分类资料的相关分析。举例一:想知道喝牛奶对感冒发病率有没有影响。喝牛奶组和不喝牛奶组的感冒率为30.94%转载 2021-04-09 09:40:42 · 1064 阅读 · 0 评论 -
单应矩阵H
单应矩阵(Homography)H描述的是两个平面之间的映射关系。若特征点都落于场景中的某一平面上,则可以用单应矩阵计算相机位姿。单应矩阵H隐式的约束了世界的不同点之间的关系(平面假设),基础矩阵E表示了同一个点在不同视角下的关系。如相机俯视地面时可以近似为平面的情况。室外平视时存在很多近点以及无穷远点,可以视为非平面情况。对于世界坐标为P的点,其在两相机成像点为p1,p2.则有s1p1=KP,s2p2=K(RP+t)s_{1} \boldsymbol{p}_{1}=\boldsymbol{K} \b原创 2021-04-09 09:26:20 · 954 阅读 · 0 评论 -
基础矩阵F和本质矩阵E
基础矩阵(Fundamental Matrix)F 和本质矩阵(Essential Matrix)E重新仔细看了高博的十四讲对极几何部分,整理一下思路。首先是外积的定义,三维向量a和向量b做外积,a^b可以转换为3*3的矩阵与b做内积.a×b=[ijka1a2a3b1b2b3]=[a2b3−a3b2a3b1−a1b3a1b2−a2b1]=[0−a3a2a30−a1−a2a10]b≜a∧b\boldsymbol{a} \times \boldsymbol{b}=\left[\begin{array}{原创 2021-04-06 11:09:40 · 1131 阅读 · 2 评论