秋水墨色-CSDN博客

原创航测软件和建模软件介绍

原名 Smart3D，是摄影测量软件开发商 Acute3D 的主打产品，后来 Acute3D 被 Bentley 公司收购，更名为 ContextCapture。2011 年从 EPFL（瑞士洛桑联邦理工学院）计算机视觉实验室起家，凭借着坚实的技术将业务拓展到法国、美国和中国，并分别成立办事处。一家致力于为无人机提供软件解决方案的创业公司，位于旧金山，在其 B 轮融资中，融资规模达 2000 万美元。一家无人机数据采集公司，位于旧金山，在其 B 轮融资中，融资规模达 2200 万美元。

2023-04-13 11:04:23 1803 1

原创 4D雷达介绍

4D毫米波雷达的主要特点就是角分辨率非常高，前置4D毫米波雷达角分辨率可达1度方位角和2度俯仰角，当加装4D毫米波雷达的。

2023-02-09 18:22:49 1817

原创雷达（Radar）

并能实时检测到具有低无线电波反射率的物体 (标志，树木等)；Radar的无线电波比Lidar的激光波长，其返回的物体图像不如Lidar精确，但它覆盖远距离、具有强穿透性，可在雨，雪，尘土等恶劣环境中返回信息，在夜间和阴天比Lidar更准确。无源相控阵雷达（英语：Passive Phased Array Radar，有源相控阵雷达（英语：Active Phased Array Radar，radar即有源电子扫描阵列雷达的一种。anging，无线电的探测和测量。radar即无源电子扫描阵列。

2023-01-11 14:55:18 1403

原创无人机测绘

C2000 飞行平台能根据行业需求进行定制，挂载多光谱相机、轻型激光雷达等设备，为公安、消防、环保部门等提供监控摄像、消防巡逻、电力巡检、城市规划、突发事件监测、自然灾害评估等解决方案。基于极飞最新研发的最强大脑——SUPERX 4 智能控制系统，全新 P 系列农业无人机可搭配极飞睿喷、睿播和睿图系统，可应对各种复杂地形，实现全自主农田测绘、精准喷洒和智能播撒。进行喷洒作业前，可使用无人机测绘，获取高清农田地图和农田边界、障碍物等信息，精准规划飞行航线，确保植保作业的精准、高效进行。

2022-12-20 09:56:13 785

原创数字孪生介绍

数字孪生在对物理空间3D可视化、BIM、无人机测绘地形数据时，融合物联网、传感器、定位、社交内容等动态数据，采用游戏级引擎的渲染和现实增强，让构建的数字空间具有高保真、高聚合的特性，既可以对现实世界完成映射，还可以对现实空间进行全息透视，应用在智慧工厂与城市管理场景时，实现模拟与耦合事件，以多个维度进行数字化监测与管理，让产业数字化转型再进一步。数字孪生是以精确映射物理世界中的事件与设备为底层框架，小到工厂，大到城市管理，一切基于客观的动态数据与人工智能分析，进一步模拟和分析，以辅助管理者精准决策。

2022-12-14 16:38:08 311

原创三维重建-第三方库介绍

Pangolin是一个基于OpenGL的轻量级开源绘图库，在许多开源SLAM算法（例如ORB-SLAM）中都会用来进行可视化操作。VisualSFM/Bundler(产生稀疏点云)+CMVS-PMVS(产生稠密点云)+MeshLab(查看点云成果)OpenGV是解决几何视觉问题的计算机视觉方法的集合。它由上海科技大学移动感知实验室主持和维护。MVE(稀疏+密集)+MeshLab(查看点云成果)

2022-12-02 13:11:32 1210

原创高精度定位

SBAS系统的工作原理大致相同。基于北斗星地增强、机器视觉、异构计算等技术，构建系统级低成本一体化解决方案，能实现多源传感器时空基准的架构统一和异构观测数据的智能融合，突破卫星导航信号易受遮挡与干扰的瓶颈问题，满足车辆、无人机、机器人、行人等载体在城市、楼宇、隧道、森林等复杂遮挡环境下的高精度、连续、可信定位需求。应用领域包括精准农业、智慧工地、智慧电力、智慧航空、智慧交通、智慧城市、安全监测和测量测绘、港口、公交、农业、物流、大众消费级等。高精度定位解决途径有三种：RTK、SBAS、PPP- RTK。

2022-11-28 15:27:46 796

原创 Sim3相似变换

通过sim3变换解出当前关键帧和闭环候选帧的匹配MapPoint之间的旋转矩阵R、平移向量t、尺度变换s，也就得到了当前关键帧到闭环关键帧之间的sim3变换gScm。使用这个sim3变换gScm乘上闭环关键帧的sim3位姿gSmw，mg2oScw=gScm*gSmw的乘积mg2oScw就是当前关键帧的sim3位姿，之后在闭环校正中就可以使用这个sim3位姿转换为SE3位姿后对当前关键帧进行位姿校正。上理解：两组三维点，能构成6个方程，解6个未知数；在相似变换中，通过增加一个点，三个点构成三角形，通过。

2022-11-10 13:21:35 2046 1

原创空间直线与平面的交点

若已知直线l上两点a(x1, y1), b(x2, y2), 则ab所在直线l的一个方向向量s = (x2-x1, y2-y1)。若已知直线l: ax + by + c = 0, 则直线l的方向向量 s = (-b, a) 或 (b, -a)。若已知直线l的斜率为k, 则l的一个方向向量为 s = (1, k)。

2022-11-04 10:55:02 3688

原创 SfM详细流程介绍

再三角化的目的是因为刚开始的时候，由于加入的数据较少，优化的准确性较差，所以在使用ba进行重投影时，会剔除掉比较多的三维点（中间可能会有很多误剔除的）。随着加入图像数量的慢慢增多，优化的结果越来越准确，就可以重新对前面的图像进行三角化（把误剔除的点加回来），然后再进行ba优化。因为在优化过程中，优化较多的是那些新加入的图像，其它的则仅仅是减小漂移。初始化主要是指选取两张匹配的图像，设定其中一张图像的位姿为单位阵，然后通过它们之间的匹配点对估计出E矩阵，将E矩阵分解获得另一张图像的位姿。

2022-10-27 20:01:01 1004

原创 colmap-sparse重建

POINT3D_IDXYZRGBERROR157930.0646.073.3552735201.725TRACK[]as(IMAGE_ID7826667910该文件包含数据集中所有重建的 3D 点的信息，每个点使用一条线。其中 POINT2D_IDX 定义了 images.txt 文件中。

2022-10-24 09:10:49 1098

原创 Colmap-重三角化

VSLAM中的特征点三角化特征点三角化（Triangulation）是根据特征点在多个相机下的投影恢复出特征点的3D坐标。特征点在某个相机中被观测到，根据相机位姿和观测向量可以得到3D空间中的一条从相机中心出发的观测“射线”，多个相机位姿观测会产生多条观测射线，理想情况下这些观测射线相交于空间中一点，求所有观测射线的交点就是特征点在3D空间的位置，这就是三角化最朴素的思想。通过三角测量（Triangulation）（或三角化）的方法来估计地图点的深度。

2022-10-08 13:46:46 581

原创浅谈PNP的BA

BA(bundle adjustment)指的是同时调整相机姿态和特征点位置，以便从每个特征点反射出的，通过最后都能通过相机光心。故也有人翻译为光束平差法。BA通常构建为一个最小二乘问题，通过使来同时调整相机的位姿和特征点的坐标。BA的目的就是每一个匹配好的特征点建立方程，然后联立，形成超定方程，解出最优的位姿矩阵或空间点坐标(两者可以同时优化)。

2022-10-08 10:58:50 992

原创双目立体匹配算法：Patch Match Stereo详解

PMS算法不同于传统的局部算法，它不是直接估计视差，而是估计视差平面，而且利用patch match思想在无限多的视差平面中来推理出最优视差平面。因此它的两个最大的优点是：(1)能够直接计算亚像素视差；(2)能够处理倾斜表面和曲面，这是其他局部算法所不具备的。PMS算法的性能比较有限，虽然在middleburry上表现的确惊艳，但是在处理室外场景时鲁棒性不是特别好，特别是对于较高的图像噪声、大面积的弱纹理或重复纹理等(当然其他的算法也不能很好的处理)，其效果一般弱于SGM和ELAS等算法。

2022-09-29 14:47:20 1382

原创后端resection部分（后方交会，PnP、P3P、EPnp、Nakano P3P）

PnP、P3P算法已经相对比较成熟，影响最后结果的主要是点的分布是否均匀，需要寻找Best view selection。

2022-09-29 14:29:23 589

原创 colmap-特征匹配、稠密重建

但是它也会有其他的问题，比如在拍摄开始和拍摄结束，都拍摄的同一个物体，但由于误差累计，可能会重建出两个一模一样的（只是会有些偏差）。选择输出文件夹后，按顺序undistortion对每个图像去畸，Stereo（这一步耗时很长）三角测量计算每个像素的深度，Fusion将所有点云融合，这就可以得到稠密的点云了，MVS的内容也就结束了。但在实际操作过程中发现很多时候这种方式耗时长而且效果也不好，尤其是当场景很相似时会集中在一团，例如建筑的四个面都很像，这时匹配后会认为只拍到了一个面，其他三面都重建不出来。

2022-09-25 17:55:31 1371

原创 Colmap算法pipeline

此步骤逐渐增加视角，并进行迭代优化重投影误差，目的是计算不同视图的相机参数、得到场景的稀疏点云和确定不同视图与点云间的可视关系最后可以得到场景的。如果相机围绕物体圆周采样，则匹配矩阵则会出现条带，各个条带平行关系越强，相机的运动控制越严格。带有畸变的图像会导致边缘有较大的时差估计误差，因此在深度图估计之前，使用光学一致性和几何一致性联合约束构造代价匹配。Colmap会利用光学一致性同时估计视角的深度值和法向量值，并利用几何一致性进行深度图优化。即可进行基于深度图融合的稠密重建。下的深度图和法向量图。

2022-09-23 15:38:42 1167

原创相机内参intrinsics与外参extrinsics

这两部分是可逆的，都是2D与2D直接的变换。而对于相机到图像，这是一个中心投影，由3D到2D的一个变换。相机位姿估计最终目标是获得表征相机运动的旋转矩阵R和平移向量t，可分成两种方法：一种是2D-2D估计加三角测量，另一种是3D-2D估计加3D-3D估计。目标点的3D位置与相机点的3D位置的相互关系所组成的homo矩阵。从目标的世界坐标系3D，转换到相机坐标系3D，然后转换到图像平面坐标系2D，最后转换到传感器坐标系2D。一般还包括了剪切和尺度的变换。目标到相机是外参，相机与图像平面，传感器平面，是内参。

2022-09-22 17:31:42 1008

原创 colmap源码解析

COLMAP 是一种通用的运动结构 (SfM) 和多视图立体 (MVS) 管道，具有图形和命令行界面。它为有序和无序图像集合的重建提供了广泛的功能。该软件是在新的 BSD 许可下获得许可的。

2022-09-20 16:35:44 1691 1

原创 COLMAP: Structure-from-Motion Revisited

SFM主要分为三类：增量式、分层式、全局式，其中最为流行的是增量式，但是目前在鲁棒性、精确度、完整性等方面还有待提高。需要对增量式SFM中三角化和BA等步骤进行了改进，这能够提高SFM的精确率和鲁棒性以及重建完整性。首先，SFM通常进行特征提取，然后匹配以及几何校验来滤出外点，经过前面的步骤就得到了场景图（scene graph），该场景图是后续增量式的基础，也就是提供数据关联等信息的作用。增量式重建中需要非常仔细挑选两帧进行重建，在图像进行注册之前，需要进行三角化场景点和滤出外点还得BA优化当前的模型。

2022-09-14 16:36:50 374

原创三维重建系列 COLMAP: Structure-from-Motion

BA优化：由于图像注册与三角化是分开进行的，但二者是强相关的两个过程：错误的位姿会导致错误的三角化点点产生，反之亦然。三角化的过程中使用了RANSAC，即从上述特征追踪中随机选择2个点(一对点)进行三角化，统计内点数(即，重投影误差小于阈值记为内点)，选择内点数最多的那个作为三角化点。根据未知的图像与地图中图像的2D-2D匹配，进而得到二者之间的2D-3D匹配，然后利用RANSAC-PNP解算出该相机位姿，完成图像注册。三角化：新注册的图像需要对已有的场景点有足够多的观测，同时也可以通过三角化扩展场景点。

2022-09-04 23:08:41 524

原创神经网络中的权值共享

权值共享的卷积操作有效解决了这个问题，无论图像的尺寸是多大，都可以选择固定尺寸的卷积核，LeNet中最大的卷积核只有5*5*1，而在AlexNet中最大的卷积核也不过是11*11*3。2012年的AlexNet网络是深度学习的开端，但是CNN的开端最早其实可以追溯到LeNet5模型，它的几个特性在2010年初的卷积神经网络研究中被广泛的使用——其中一个就是。权值共享后意味着每一个卷积核只能提取到一种特征，为了增加CNN的表达能力，当然需要多个核，不幸的是，它是一个Hyper-Parameter。...

2022-08-15 10:12:39 1418