![](https://img-blog.csdnimg.cn/20190918140145169.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
求职指南
文章平均质量分 78
应对2020秋招
try_again_later
在读硕士,高精度建图定位方向。
知乎专栏:《视觉、激光SLAM源码详细解析》
展开
-
SLAM、自动驾驶算法、3D视觉岗位秋招知识点(附有解答)
多视图几何求解相似、仿射、射影变换区别基本矩阵F、本质矩阵E、单应矩阵H处理关键帧、李群李代数、特征点法与直接法手推BARANSAC在图像匹配上应用PnP(3D-2D)、ICP(3D-3D)直接法与光流法常见SLAMSLAM目录SVO中深度滤波器原理VINS-mono论文解读数学知识凸集、凸函数、凸优化特征向量、特征值分解SVD矩阵分析:...原创 2019-09-12 09:38:10 · 1100 阅读 · 1 评论 -
《视觉SLAM十四讲精品总结》9:直接法和光流法
内容:二者关系光流法直接法一、二者关系引出原因:关键点和描述子计算非常耗时,可以保留特征点,使用光流法跟踪特征点运动。关系:光流法描述像素在图像中运动,直接法利用相机运动模型计算特征点在下一时刻图像中位置。使用条件:直接法利用图像的像素灰度信息计算相机运动,需要场景中存在明暗变化。二、LK光流法光流法常用来跟踪角点的运动。之后用跟踪的特征点,用ICP、PnP或对...原创 2018-08-25 17:23:20 · 5084 阅读 · 4 评论 -
基本矩阵F、本质矩阵E、单应矩阵H的关系
前言:立体视觉几何中有以下问题:1.已知一幅图像中一点,如何寻找另一幅图像中这个点的对应点(可用光流法、特征点匹配法)2.已知两幅图像中两点是对应关系,如何求解两相机的相对位置和姿态【R|t】3.已知多幅图像中同一3D点的对应点,如何求解该3D点的3D坐标对极几何/基础矩阵 的出现可以解决问题2。之前有总结过:https://blog.csdn.net/try_again_...原创 2019-03-19 10:51:14 · 14980 阅读 · 1 评论 -
边缘检测算子Soble、Laplace、Canny
边缘指的是图像中像素的值有突变的地方。边缘检测一般分为三步,分别是滤波、增强、检测。基本原理都是用高斯滤波器进行去噪,之后在用卷积内核寻找像素梯度。常用有三种算法:canny算子,sobel算子,laplacian算子。sobel算子:一阶导数算子,引入局部平均运算,对噪声具有平滑作用,抗噪声能力强,计算量较大,但定位精度不高,得到的边缘比较粗,适用于精度要求不高的场合。laplaci...原创 2019-03-13 17:15:10 · 4044 阅读 · 0 评论 -
特征向量、特征值分解、奇异值分解SVD
写在前面:现有的印象是:特征向量代表向量最坚守的部分,方向不变,只是会伸缩。而特征分解是沿着最重要的特征向量方向上的分解,有SVD分解、PCA主城成分分析等。但无法深入讲下去了。特征值和特征向量的几何意义矩阵乘法其实是对应着一个线性变换,是把任意一个向量变成另一个方向或者长度的新向量。在这个变换中,原向量主要发生旋转、伸缩的变化。如果某个向量x在矩阵A作用下只发生了伸缩变化,其位置仍停...原创 2019-03-13 15:49:11 · 2085 阅读 · 1 评论 -
相似、仿射、射影变换区别
刚性变换:只有物体的位置(平移变换)和朝向(旋转变换)发生改变,而形状不变,得到的变换称为刚性变换。下面分别从等距变换,相似变换,仿射变换,射影变换几个部分分别介绍:1、等距变换(欧式变换)它相当于是平移变换(t)和旋转变换(R)的复合,等距变换前后长度,面积,线线之间的角度都不变。自由度 6 (3+3)2、相似变换等距变换和均匀缩放(S)的一个复合,类似相似三...原创 2018-07-30 11:31:03 · 20400 阅读 · 1 评论 -
《OpenCV3学习笔记》3.3 :SIFT、SURF、ORB特征点检测与匹配
一、特征点检测算法SIFTScale Invariant Feature Transform,尺度不变特征变换。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性,是一种非常稳定的局部特征。SIFT算法主要有以下几个步骤:高斯差分金字塔的构建 使用组和层的结构构建了一个具有线性关系的金字塔(尺度空间),这样可以在连续的高斯核尺度上查找图像的特征点;另外,它使用一阶的高斯差分来近似...原创 2018-08-13 16:32:10 · 10894 阅读 · 5 评论 -
理解SIFT
最近看ORB-SLAM2源代码,构造Frame类部分出现了很多图像金字塔的内容,加上想起师兄和我讲的:图像算法岗的SIFT、SURF、FAST、ORB特征子肯定要会的呀,所以花了一晚上对SIFT特征子深入探究了下,期间感谢kyu_saku、Brook@CV以及zddhub、Rachel-Zhang的博客,根据上述博客对SITF由浅入深的进行理解。天涯路清晨对SIFT的介绍更清晰。目录:...原创 2018-12-12 16:20:46 · 536 阅读 · 0 评论 -
理解SURF
先说结论Sift算法的优点是特征稳定,对旋转、尺度变换、亮度保持不变性,对视角变换、噪声也有一定程度的稳定性;缺点是:计算量大,对边缘光滑目标的特征点提取能力较弱。Surf(Speeded Up Robust Features):是SIFT特征的一种近似计算,在相似性能甚至更好性能的同时提高了算法的速度。减少计算量体现在:1、尺度空间:使用盒式滤波器结合积分图像,而非使用DOG...原创 2018-12-15 11:41:18 · 804 阅读 · 0 评论 -
矩阵分析:求解Ax=b
b=0时,为齐次线性方程组。R(A)=n时,即A的行列式D不为0,有唯一零解;R(A)<n时,即D=0,无穷多解。b不为0,非齐次线性方程组,R(A)=R(B)增广矩阵时,方程有解,否则方程无解。R(A)=R(B)=n,有唯一零解;R(A)=R(B)<n,无穷解。求解Ax=b:可解性和解的结构对于求解Ax=b,首先我们要判断: ① 是否有解? ② 若有解,解是否唯一...原创 2019-03-13 11:21:50 · 14538 阅读 · 0 评论 -
卡尔曼滤波推导+贝叶斯滤波推导+粒子滤波推导
Kalman Filter一、前言1、两个传感器测量同一个信号,为了减小误差我们可以采用取平均的方式,进一步的我们采用加权平均(由方差大小分配),加权平均是一种静态分配方式。方差是随外界环境而变的,加权值也应该随之改变,这就是卡尔曼滤波出现的原因,它是一种动态更新加权值,不断迭代的算法。卡尔曼是对模型预测值以及传感器观测值加权平均,模型只有一个步长,x(k-1)得到x(k),其中x(k-1...原创 2017-10-21 15:27:04 · 2083 阅读 · 0 评论 -
处理关键帧、李群李代数、特征点法与直接法
SLAM已完成*1、实现RANSAC随机采样一致性的框架,可以作为初值,然后再非线性优化求最优,优缺点 22、如何对匹配好的点做进一步的处理,更好保证匹配效果(汉明距离小于最小距离两倍、RANSAC)*2、描述一下SIFT或者SURF特征检测,匹配(博客)*3、简述一下Bundle Adjustment的过程(笔记以及知乎)*4、如何求解Ax=b(博客)*5、凸优化(博客)*7、I...原创 2019-03-20 09:53:17 · 721 阅读 · 0 评论 -
手推BA
介绍BABA本质是一个优化模型,目的是:通过最小化重投影误差/光度误差,来优化相机参数【R|t】以及路标世界点。BA是一个图优化模型,一般选择LM算法并在此基础上利用BA模型的稀疏性进行计算。BA:视觉重建中提炼出最优的3D模型和相机参数,每个特征点都会反射几束光线,当相机位姿和特征点位置做出最优调整后,这些光线收束到相机光心。根据相机的投影模型构造代价函数,利用非线性优化(GN或LM...原创 2019-03-20 09:50:40 · 1026 阅读 · 0 评论 -
SVO中的深度滤波器原理
基础:三角化估计深度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p1(x1, y1), p2(x2, y2),利用三角关系,恢复出三维点的深度信息z。由于两条直线无法相交,通过最小二乘法求解。按照对极几何中的定义,设x1, x2为两个特征点的归一化坐标,则它们满足:s1x1= s2Rx2+ t ...原创 2019-03-11 16:21:16 · 3862 阅读 · 0 评论 -
最大后验估计、最大似然估计、贝叶斯估计关系
重点参考:https://www.cnblogs.com/jiangxinyang/p/9378535.html原创 2019-03-11 15:21:40 · 374 阅读 · 0 评论 -
RANSAC在图像匹配上应用
前言:1、如何对匹配好的点做进一步的处理,更好保证匹配效果答:1、汉明距离应小于最小距离两倍(二进制的描述子,不同位数的个数为汉明距离) 2、RANSAC消除误匹配2、RANSAC与最小二乘区别:最小二乘法尽量去适应包括局外点在内的所有点。相反,RANSAC能得出一个仅仅用局内点计算出模型,并且概率还足够高。但是,RANSAC并不能保证结果一定正确,为了保证算法有足够高的合理概率...原创 2019-03-19 17:14:47 · 9958 阅读 · 4 评论 -
PnP(3D-2D)、ICP(3D-3D)
前言:之前学习总结《视觉SLAM十四讲》总结过:7:VO—— 3D-2D:PnP+BA8:VO—— 3D-3D:ICP+SVD+BA区别:1、PnP(2D-3D)即给出n个3D空间点及其投影位置时,如何求解相机的位姿R t。2、ICP(3D-3D)利用n 对特征点在不同相机坐标系下的三维坐标,估计相机之间的相对位姿,适用于RGB-D SLAM和激光SLAM(从原理上来说)。...原创 2019-03-19 15:48:26 · 4182 阅读 · 0 评论 -
最小二乘、梯度下降法、牛顿与高斯-牛顿与LM关系总结
LZ听师兄讲,SLAM的优化方法是基础知识,尤其最小二乘法是所有优化的基础。接下来将对以下知识进行总结。最小二乘法 非线性:最速下降法、牛顿法、高斯牛顿法(GN)、列文伯格-马夸尔特(LM)联系 线性:QR分解、乔姆斯基分解法求解(Cholesky)、奇异值分解(SVD)一、最小二乘法引出最小二乘问题通常可以表述为,通过搜集到的一些数据(获取得到的样本),对某一个模型进行拟合,并...原创 2019-03-04 16:30:13 · 4787 阅读 · 1 评论 -
凸集、凸函数、凸优化
凸集其几何意义表示为:如果集合C中任意2个元素连线上的点也在集合C中,则C为凸集。其示意图如下所示凸函数设x1x1和x2x2为函数f(x)定义域内的任意两个实数,且x1x1 < t <x2x2,恒有:则称f(x) 是定义域上的凸函数。判别:其中要求f一阶可微。 二阶充要条件为: 其中要求f二阶可微,表示二阶导数需大于0才是凸函数。...原创 2019-03-05 10:02:06 · 1044 阅读 · 0 评论