PTAMM、PTAM学术要点
雪吟花落
关注计算机视觉、增强现实方向
展开
-
【转】计算机视觉基础5——本质矩阵与基本矩阵(Essential and Fundamental Matrices)
原帖地址:http://www.cnblogs.com/gemstone/archive/2011/12/20/2294805.html回顾本质矩阵的定义 本质矩阵的基本性质:结合成像的几何关系 Longuet-Higgins equation注意大小写的区别哦,大小表示物点矢量,小与表示像点矢量。像转载 2015-07-14 14:46:36 · 1996 阅读 · 0 评论 -
【转】LM(Levenberg-Marquard) Matlab及C语言实现
帖子原地址:http://blog.csdn.net/wejoncy/article/details/44095527LM在最优化中占据着极其重要的地位,将非线性问题转为为线性问题来求解,求出最优解。 最近在搞相机标定,而不得不面对LM,首先的想法百度,(个人不喜欢去看e文,总觉得效率不高,事实上错了)找到了一些相关的文章,好难啊,这是第一想法。不过还是找到了几篇大转载 2015-07-17 19:57:38 · 8981 阅读 · 0 评论 -
【转】LM(Levenberg-Marquard)算法的实现
转载请注明出处:http://www.codelast.com/ LM算法,全称为Levenberg-Marquard算法,它可用于解决非线性最小二乘问题,多用于曲线拟合等场合。LM算法的实现并不算难,它的关键是用模型函数 f 对待估参数向量p在其邻域内做线性近似,忽略掉二阶以上的导数项,从而转化为线性最小二乘问题,它具有收敛速度快等优点。LM算法属于一种“信赖域法”——所谓的转载 2015-07-17 20:13:03 · 5010 阅读 · 0 评论 -
【转】强大的矩阵奇异值分解(SVD)及其应用
版权声明: 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用,但请注明出处,如果有问题,请联系[email protected]前言: 上一次写了关于PCA与LDA的文章,PCA的实现一般有两种,一种是用特征值分解去实现的,一种是用奇异值分解去实现的。在上篇文章中便是基于特征值转载 2015-07-14 17:14:34 · 773 阅读 · 0 评论 -
【转】计算机视觉基础3——内部参数描述
原帖地址:http://www.cnblogs.com/gemstone/archive/2011/12/19/2294011.html在上一节中,我们用矩阵描述了外部参数,即物体的坐标到相机坐标的变换。同时还分析了透视投影,即成像的过程,整个过程就是从(U,V,W)->(X,Y,X)->(x,y)。这一节主要讨论如何从像平面(x,y)变换到数字图像(u,v),即从像平面(Film Coo转载 2015-07-14 11:18:39 · 1107 阅读 · 0 评论 -
【转】计算机视觉基础2——相机成像的几何描述
原帖地址:http://www.cnblogs.com/gemstone/archive/2011/12/19/2293932.html试想像一下,很多游客同时在不同角度拍摄Eiffel Tower(埃菲尔铁塔),该如何用数学的方法来描述这一过程呢?首先要解决的问题就是定位,或者说坐标选定的问题,埃菲尔铁塔只有一座,如果按经、纬度来刻画,它的坐标是唯一确定的,但游客显然不关系这一点,他(她转载 2015-07-14 09:39:12 · 961 阅读 · 0 评论 -
【转】计算机视觉基础1——视差与深度信息
原帖地址:http://www.cnblogs.com/gemstone/archive/2011/12/19/2293806.html资料来源:Robert Collins,CSE486, Penn State第8讲Stereo Vision深度信息感知是人类产生立体视觉的前提。生理过程一定是相当复杂,此处,我们只从物理角度,并采用数学的方法来讨论。I转载 2015-07-14 08:23:16 · 821 阅读 · 0 评论 -
【转】计算机视觉基础4——对极几何(Epipolar Geometry)
原帖地址:http://www.cnblogs.com/gemstone/archive/2011/12/20/2294551.html先思考一个问题:用两个相机在不同的位置拍摄同一物体,如果两张照片中的景物有重叠的部分,我们有理由相信,这两张照片之间存在一定的对应关系,本节的任务就是如何描述它们之间的对应关系,描述工具是对极几何 ,它是研究立体视觉的重要数学方法。 要寻找两幅图转载 2015-07-14 13:15:11 · 4427 阅读 · 0 评论 -
【转】共面点成像——planar homography
原帖地址:http://www.cnblogs.com/gemstone/archive/2011/12/20/2294378.html在前面已经讨论了三维物体成像过程,相比之下,还有一种稍简单的情况——平面成像,即所有的物点都处在同一个平面上,我们有理由相信,这种情况下的成像关系是一般立体成像的一种特例。先回顾一下一般的单体成像过程转载 2015-07-14 14:49:45 · 1118 阅读 · 0 评论 -
【转】 Levenberg-Marquardt 算法快速入门教程
什么是最优化,可分为几大类?答:Levenberg-Marquardt算法是最优化算法中的一种。最优化是寻找使得函数值最小的参数向量。它的应用领域非常广泛,如:经济学、管理优化、网络分析、最优设计、机械或电子设计等等。根据求导数的方法,可分为2大类。第一类,若f具有解析函数形式,知道x后求导数速度快。第二类,使用数值差分来求导数。根据 使用模型不同,分为非约束最优化、约束最优化、最小二转载 2015-07-16 11:03:34 · 6130 阅读 · 0 评论