MVS
文章平均质量分 76
qq_41093957
这个作者很懒,什么都没留下…
展开
-
LVI_SAM求解相机位姿
由雷达帧到相机 第iii个雷达帧的位姿(RLi,tLi)(R_{Li},t_{Li})(RLi,tLi),这是在全局坐标系下对雷达坐标系的观测结果。因此对于第iii个雷达坐标系中的一点PLP_{L}PL,其在全局坐标系中的坐标PWP_{W}PW为: PW=RLiPL+tLi P_{W}=R_{Li} P_{L}+t_{Li} PW=RLiPL+tLi 雷达在相机位置处的标准ROS坐标系下的观测位姿为(RR,tR)(R_R,t_R)(RR,tR),点PLP_{L}PL在位于第iii个相机原创 2021-12-05 21:38:04 · 299 阅读 · 1 评论 -
高维矩阵理解
高维矩阵理解 以 [B,C,D,H,W]为例,可以当作形状维度和数据维度来理解,一般来说,B,H,W都是当作形状,常见得处理主要围绕中间两个进行,初步来看,可以视为B张H,W得图片,然后图片得每个像素得特征为长度为C*D的向量组成,如果将这个向量划分为D份的话,每份的长度为C,因为每个像素都有D份,所以可以将图片拆分为D张,每张图片的每个像素特征长度为C。现在就成了B批数据,每批D张图片,图片的通道数为C,此时出局存储在通道数C中,也就是每个数据就是长度为C的向量,维度C成了数据维度,其他都是形状维度。如果原创 2021-08-18 19:02:18 · 1322 阅读 · 0 评论 -
PatchMatchNet单应变换公式推导
Camera file cam.txt stores the camera parameters, which includes extrinsic, intrinsic, minimum depth and maximum depth: extrinsic E00 E01 E02 E03 E10 E11 E12 E13 E20 E21 E22 E23 E30 E31 E32 E33 intrinsic K00 K01 K02 K10 K11 K12 K20 K21 K22 DEPTH_MIN DEPT原创 2021-08-18 16:07:18 · 248 阅读 · 0 评论 -
MVS学习之重要公式推导
重要公式推导 单应矩阵公式推导 单应矩阵通常描述处于同一平面上的一些点在两张图像之间的变换关系。设图像I1\boldsymbol{I}_1I1和I2\boldsymbol{I}_2I2有一对匹配好的特征点p1\boldsymbol{p}_1p1和p2\boldsymbol{p}_2p2。匹配的特征点在各个相机坐标系中的坐标分别为P1,P2,P\boldsymbol{P}_1,\boldsymbol{P}_2,\boldsymbol{P}P1,P2,P,这个特征点落在平面S\boldsymbol{原创 2021-06-27 19:33:37 · 350 阅读 · 0 评论