江南才尽江南山，年少无知年少狂！

为了大家方便查询，先结论，再给出推导过程(四元数的相关知识，公式转换与过程推导在下一篇博客)旋转矩阵旋转向量欧拉角四元数旋转矩阵1旋转向量欧拉角四元数\hline & 旋转矩阵 &旋转向量 &欧拉角 & 四元数 \\\hline 旋转矩阵& 1& & & \\\hline 旋转向量& & & & \\\hline 欧拉角 & & & & \\\hline 四元数 & & & & \\\hline旋转矩阵旋转向量欧拉角四元数​旋转矩阵1​。

本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始 文末正下方中心提供了本人联系方式，点击本人照片即可显示WX→官方认证{\color{blue}{文末正下方中心}提供了本人 \color{red} 联系方式，\color{blue}点击本人照片即可显示WX→官方认证}文末正下方中心提供了本人联系方式，点击本人照片即可显示WX→官方认证 该篇博客主要讲解→雅可比矩阵定义、推导、以及其应用，并且有相应的示例解读 雅可比在函数行列式方面有一篇著名的论文：《论行列式的形成与性

通过上一篇博客，已经完成顶点(Vertex)\color{red}顶点 (Vertex)顶点(Vertex)的讲解，下面来看看边(Edge)\color{red}边(Edge)边(Edge)。其实呢，是比较类似的，但是相对而言g2o的边比顶点稍微复杂一些，不过没有关系，因为编程的都有固定的格式，只需要姑规规矩矩的来就行了。接下来主要分成如下几个部分进行讲解：1、初步认识g2o的边；2、如何自定义g2o的边；3、如何向图中添加边；在源码。

在上一篇博客中，讲解了运行该示例代码环境的搭建，同时对 g2o 进行了简单的讲解。其实对于g2o(图优化)来说，只要理解了顶点(Vertex)\color{red}顶点 (Vertex)顶点(Vertex)与边(Edge)\color{red}边(Edge)边(Edge)，那么接下下来的构图以及编程都是十分的简单，所以在进行代码讲解之前，先来看看 顶点 (Vertex) 与 边(Edge) 的介绍。

示例代码为在上一篇博客中，讲解了运行该示例代码环境的搭建，同时对 g2o 进行了简单的讲解。(1)(1)顶点和边的类型定义；(2)(2)构建图优化实例，配置求解器；(3)(3)添加点和边，构建求解图；(4)(4)执行优化。后续，会把源码拆解成这四个部分，分别进行讲解。在这之前，先说一下示例代码的目的。虽然上一篇博客已经把代码运行了起来，但是并没有讲解其作用。

针对与 g2o(图优化) 的讲解，主要分成三个部分，分别为: 理论讲解，环境搭建，代码分析。那么现在我们开始第一步，理论讲解吧！通过该篇博客，对 g2o 了进行了简单的介绍，搭建好了示例代码的环境并且运行其可执行文件。下面就是对代码进行细致的讲解了，也就是理论结合实践。

我们最终的目的是为了讲解如何在工程上使用卡方检验(Chi-Squared Test) ，在这之前我们需要了解两个重要的知识点，那就是卡方分布(chi-square distribution)和()卡方检验(Chi-Squared Test)。为了方便大家理解，以通俗的方式进行讲解，然后再引入专业的相关名词。

通过文首的一系列博客，相信大家对于 Homography,Fundamental,Essential 矩阵已经有了一一定认知，比如他们的公式对应如下(前面的博文有推导):是两个相机的内参，$d_a$ 是相机坐标系 a 到特征点平面的距离，$\mathbf{n}$是特征点平面法向量，...

该篇博客，主要是对 Homography 矩阵进行一个细致的讲解，主要分为三个部分: 基本介绍、参数设定、公式推导、适用场景、八点求解。废话也不多说，那么我们下面就开始吧。

在讲解超定方程求解之前，以及为什么最小奇异值对应的特征特征向量为最优解之前，我们需要知道以下知识：矩阵的特征向量，特征值，EVD(特征分解)，SVD(奇异值分解)等相关知识。这些内容本人在上一篇博客中，有特别详细的讲解，链接如下：[史上最简SLAM零基础解读(3) - 白话来说SVD奇异值分解(1)→原理推导与奇异值求解举例](https://blog.csdn.net/weixin_43013761/article/details/123815668)。请认真仔细的阅读这篇博客，阅读以及弄明白之后，就可以

这篇博客，主要使用最通俗的语言来讲解SVD奇异值分解，通过该篇博客，将知道 SVD 的来龙去脉，底层原理。同时知道如何利用他去做图片压缩，PCA，求解矩阵(如 Fundamental 矩阵，Homography 矩阵)等。我会详细的讲解 SVD 的每一个细节。由浅到深，由窄到广。那么我们现在就开始吧。......

本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始有兴趣的朋友可以加微信 17575010159 相互讨论技术 - 文末公众号也可关注 一、什么是对极约束首先，我们用通俗的方式来理解什么是 对极约束\color{red}{对极约束}对极约束,图像如下所示，(1)、O0,O1O_0,O_1O0​,O1​ 分别是两个位置中相机的光心，也就是针孔相机模型中的针孔。(2)、I0,I1I0,I1I0,I1 分别是两个相机的成像平面。(3)、PPP 是空间中的一个三维点，p0p_0

本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始有兴趣的朋友可以加微信 17575010159 相互讨论技术 - 文末公众号也可关注 一、前言(线性变换)该篇博客主要讲解一个 slam 中最基础的几个东西，那就是旋转矩阵，缩放矩阵以及偏移矩阵。本人会做一个比较细致的讲解。首先从二维平面开始引入，等大家略微了解之后，再扩展到三维。在讲解之前，聊一下其他的东西，那就是线性变换。在学习线性代数的时候，如果矩阵 AAA 左乘一个向量 v⃗\vec vv, 就说成矩阵 AAA 对向

讲解关于slam一系列文章主要分为以下几个板块,其中的序列号代表其学习难度,入门学员建议从01开始学习,相同序列号表示其难度相当文末正下方中心提供了本人联系方式，点击本人照片即可显示WX→官方认证。