单目vo中的深度确定方法--三角测量

KITTI数据集leaderboard上单目SLAM方法 阅读详情

三角测量的目的是用来确定图片中某一个点的深度。为什么会有这样的需求呢?我们在前面的博客中提到了对极几何与单应变换。在前面其实已经提到过了,在单目VO中,虽然我们可以通过本质矩阵与单应矩阵恢复出相机变换的位姿,但是这两种方法确定的位姿变换是具有尺度不确定性的。在双目vo中,我们会首先使用三角测量恢复出深度信息,再进行位姿估计。

因为基础矩阵与单应矩阵本身描述的是从一个2d平面到另一个2d平面的变换,无需3d深度信息,这两种变换都是正常进行的,因此自然就具有尺度不确定性。更加具体的讲,将基础矩阵与单应矩阵作用在一个齐次坐标(x,y,1)上时,此时,随意的将基础矩阵与单应矩阵进行一定尺度缩放,由于齐次坐标的尺度等价性,对最终的变换结果都不会产生影响。

三角测量
三角测量本身是由高斯提出,最早应用在天文地理领域,根据不同季节观察到的星星的角度,估计星星与我们的距离。

在相机几何中的应用,推导如下:

注意,三角测量依据的是同一个空间点在不同时刻的投影到相机成像平面上的位置来确定这两个时刻时这个点的深度。

第一种思路
由相机成像的几何描述我们可以理解如下的公式(世界坐标到像素坐标的转换):

其中K是相机内参,R与t是第二个相机在第一个相机的相机坐标系下的外参,是此空间点在第一个相机的相机坐标系下的坐标。Z是空间点到相机光心的距离(也是相机坐标系下的z轴坐标)。是空间点在两个相机平面上的投影点。

首先做出如下定义(其中是归一化的相机坐标(X/Z,Y/Z,1)):

带入如上定义可得:

由于我们已经通过本质矩阵分解或者单应矩阵分解获得了R与t,此时想求的是两个特征点的深度,即上式中的,此时,可通过如下操作分别求出,首先求解,上式两边同时左乘x2^,也就是两侧同时与做外积:

如上,可以直接求出的深度Z1了,然后Z2也可以很轻松地求出。

代码实现(自己实现)
首先是上述思路的解法

bool depthFromTriangulation(
const SE3& T_search_ref,
const Vector3d& f_ref,
const Vector3d& f_cur,
double& depth)
{
Matrix<double,3,2> A;
A << T_search_ref.rotation_matrix()*f_ref, f_cur;
const Matrix2d AtA = A.transpose()*A;
if(AtA.determinant() < 0.000001)
return false;
const Vector2d depth2 = - AtA.inverse()*A.transpose()*T_search_ref.translation();
depth = fabs(depth2[0]);
return true;
}

第二种思路
然后此处使用的求解方法是法则。这是另一种求解三角化的方式,推导如下:

对公式两侧同时乘以,得到:

公式两侧同时乘以,得到:

对于上述两个公式组成的方程组,利用克莱默法则求解

克莱默法则是,对于这样的方程,如果A的行列式不为0,方程可以通过如下方式求解:

其中是A的第j列被b替换后得到的新的矩阵。

// 方程
// d_ref * f_ref = d_cur * ( R_RC * f_cur ) + t_RC
// => [ f_ref^T f_ref, -f_ref^T f_cur ] [d_ref] = [f_ref^T t]
// [ f_cur^T f_ref, -f_cur^T f_cur ] [d_cur] = [f_cur^T t]
// 二阶方程用克莱默法则求解并解之
Vector3d t = T_R_C.translation();
Vector3d f2 = T_R_C.rotation_matrix() * f_curr;
Vector2d b = Vector2d ( t.dot ( f_ref ), t.dot ( f2 ) );
// 此处计算出系数矩阵A
double A[4];
A[0] = f_ref.dot ( f_ref );
A[2] = f_ref.dot ( f2 );
A[1] = -A[2];
A[3] = - f2.dot ( f2 );
// 此处计算A的行列式
double d = A[0]*A[3]-A[1]*A[2];
Vector2d lambdavec =
Vector2d ( A[3] * b ( 0,0 ) - A[1] * b ( 1,0 ),
-A[2] * b ( 0,0 ) + A[0] * b ( 1,0 )) /d;
Vector3d xm = lambdavec ( 0,0 ) * f_ref;
Vector3d xn = t + lambdavec ( 1,0 ) * f2;
Vector3d d_esti = ( xm+xn ) / 2.0; // 三角化算得的深度向量
double depth_estimation = d_esti.norm(); // 深度值
代码实现(使用opencv提供的接口)
void triangulation (
const vector< KeyPoint >& keypoint_1,
const vector< KeyPoint >& keypoint_2,
const std::vector< DMatch >& matches,
const Mat& R, const Mat& t,
vector< Point3d >& points )
{
//相机第一个位置处的位姿
Mat T1 = (Mat_ (3,4) <<
1,0,0,0,
0,1,0,0,
0,0,1,0);
//相机第二个位置处的位姿
Mat T2 = (Mat_ (3,4) <<
R.at(0,0), R.at(0,1), R.at(0,2), t.at(0,0),
R.at(1,0), R.at(1,1), R.at(1,2), t.at(1,0),
R.at(2,0), R.at(2,1), R.at(2,2), t.at(2,0)
);

// 相机内参
Mat K = ( Mat_<double> ( 3,3 ) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1 );
vector<Point2f> pts_1, pts_2;
for ( DMatch m:matches )
{
    // 将像素坐标转换至相机平面坐标,为什么要这一步,上面推导中有讲
    pts_1.push_back ( pixel2cam( keypoint_1[m.queryIdx].pt, K) );
    pts_2.push_back ( pixel2cam( keypoint_2[m.trainIdx].pt, K) );
}

Mat pts_4d;
//opencv提供的三角测量函数
cv::triangulatePoints( T1, T2, pts_1, pts_2, pts_4d );

// 转换成非齐次坐标
for ( int i=0; i<pts_4d.cols; i++ )
{
    Mat x = pts_4d.col(i);
    x /= x.at<float>(3,0); // 归一化
    Point3d p (
        x.at<float>(0,0), 
        x.at<float>(1,0), 
        x.at<float>(2,0) 
    );
    points.push_back( p );
}

}

Point2f pixel2cam ( const Point2d& p, const Mat& K )
{
return Point2f
(
( p.x - K.at(0,2) ) / K.at(0,0),
( p.y - K.at(1,2) ) / K.at(1,1)
);
}
代码地址:https://github.com/xhy3054/myslam/tree/master/04-VO-feature/triangulation

第三种思路(最小二乘法求解深度)
对于某个路标点y,在若干个关键帧中可以观测到

首先,对于,是空间点在世界坐标系中的齐次坐标。每次观测为,这个是相机成像平面的归一化坐标

我们假设投影矩阵为,这个是从world系到camera系的投影

所以,投影关系为:

其中为观测点的深度值

根据上面我们可以知道下式:

其中是的第三行(其中角标T仅仅代表是一个横向量)

我们再将上式带入投影变换的前两行,就得到:

每次观测都可以提供两个这样的方程,将y看做未知量,并将其移到等式一侧,可以得到下式:

于是,y为D零空间的一个非零元素。

最小二乘求解
对于上面问题,由于,在观测时往往是大于等于两次的,很有可能D满秩(4),也就是无零空间。

此时我们会寻找上式的最小二乘解:

求解上述这个最小二乘问题,我们可以通过对进行奇异值分解来求解。

其中为奇异值,并且会由大到小排列(它们对应的特征向量是一组单位正交基),我们找到最小(后面)的那个奇异值,它对应的特征向量,将其转换为齐次坐标,前三维就是y坐标的解了。
通常我们求出来会验证一下该解的有效性,判断条件是。若该条件成立,则认为三角化有效。

代码
// vins中初始化sfm时根据一个三维点在两帧中的投影位置确定三维点位置
void GlobalSFM::triangulatePoint(Eigen::Matrix<double, 3, 4> &Pose0, Eigen::Matrix<double, 3, 4> &Pose1,
Vector2d &point0, Vector2d &point1, Vector3d &point_3d)
{
Matrix4d design_matrix = Matrix4d::Zero();
design_matrix.row(0) = point0[0] * Pose0.row(2) - Pose0.row(0);
design_matrix.row(1) = point0[1] * Pose0.row(2) - Pose0.row(1);
design_matrix.row(2) = point1[0] * Pose1.row(2) - Pose1.row(0);
design_matrix.row(3) = point1[1] * Pose1.row(2) - Pose1.row(1);
Vector4d triangulated_point;
triangulated_point =
design_matrix.jacobiSvd(Eigen::ComputeFullV).matrixV().rightCols<1>();
point_3d(0) = triangulated_point(0) / triangulated_point(3);
point_3d(1) = triangulated_point(1) / triangulated_point(3);
point_3d(2) = triangulated_point(2) / triangulated_point(3);
}
使用概率方法更新矫正深度值
从上述讲述中,我们已经知道通过两帧图像的匹配点,可以得到一个等式,可以计算出这一点的深度值,所以,如果有n副图像进行匹配,那我们会得到n-1个等式。此时我们就可以计算出这一点的n-1个空间位置的测量值。

好的测量值是符合正态分布的,噪声符合均匀分布,此时我们可以通过一些概率的方法对多次测量结果进行融合,得到更鲁棒的结果。

在SVO中,使用贝叶斯方法(最大后验概率)进行更新

在LSD中,使用卡尔曼滤波进行深度测量值的滤波

其他测距方法
主动方法
结构光: 光已知空间方向的投影光线的集合称为结构光,结构光激光散斑通过投射具有高度伪随机性的激光散斑,会随着不同距离变换不同的图案,对三维空间直接标记,通过观察物体表面的散斑图案就可以判断其深度。
ToF: 飞行时间法,通过连续发射光脉冲(一般是不可见光),到被观测物体上,然后接收从物体反射回去的光脉冲,通过探测光脉冲的往返飞行时间来计算被测物体距离。
LIDAR: 激光雷达
使用深度学习构建神经网络对图像深度进行预测

更多《计算机视觉与图形学》知识,可关注下方公众号:

在这里插入图片描述

Bearing-Box方法:单目VIO中用深度区间替代点估计的鲁棒性突破 视觉里程计(VIO)是无人机自主导航的核心技术,而单目VIO长期受限于尺度漂移与旋转失准难题。其根源在于传统方法依赖精确深度假设,在弱纹理、快速运动和动态遮挡等真实场景下极易失效。Bearing-Box方法另辟蹊径,摒弃‘唯一深度值’建模,转而采用‘深度区间’(即Bearing-Box)作为几何观测的基本单元,将不确定性转化为可验证的凸约束。该设计天然融合IMU先验与场景物理约束,显著提升抗异常值能力与尺度稳定性,同时降低计算负载。它特别适用于工业巡检、电力线跟踪、灾后建模等对可靠性与嵌入式部署有严苛要求的 阅读详情

相关推荐

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 ...

try_again_later的博客 4093

【OPENCV】单目视觉测距

1 解释说明 单目相机测距常用的方法就是相似三角形法。 注意:1in = 25.4mm 举个例子,假设在离相机距离 D = 45cm = (450/25.4=17.7in)的地方放一张标准的8.27in x 11.69英寸W = 11.69(23cm*16cm)的A4纸并且拍下一张照片。测量出照片中A4纸的像素宽度为 P = 874像素。因此焦距 F 是: F = (874px x 17.7in) /1...

静谧、淡雅 9137

视觉SLAM十四讲-第七讲笔记

主要内容 本章开始进入视觉里程计(VO)部分,VO按是否需要提取特征,分为特征点法的前端和不提特征的前端。这一章讲的是基于特征点法的前端,分为以下内容。 特征点法:找到两张2D图像上的匹配点。 对极几何:根据2D-2D特征点对求解R,t。 三角测量:根据2D-2D特征点求深度。 PnP:根据3D点云和匹配的2D图像求R,t。 ICP:求两个点云之间的R,t。 关系是: 特征点法找到2D图像的...

pikachu_777的专栏 3650

最详细的双目摄像头测距离(深度)的原理

关于双目摄像头测距原理,最近在看关于双目摄像机成像的项目,找关于双目摄像头标定的c++代码,但是发现自己对双目摄像机的成像原理不清楚,所以看代码和看天书一样。这篇就写给零基础接触双目摄像机成像原理的小伙伴,等看完这篇之后再去找类似的c++、python标定代码,就简单很多。 当然,之后也会介绍,关于几个坐标系(世界坐标系、像素坐标系、图片坐标系)的转化。 **视差的概念:**是指从两个不同位置观察...

suswulongyuan的博客 8万+

【ipaper】Visual Odometry 和 Visual SLAM概述:第五部分

【ipaper】 An Overview to Visual Odometry and Visual SLAM: Applications to Mobile Robotics 第五部分 Localization Stereo Vision Versus Monocular Vision Stereo Visual Odometry 在双目视觉中,在单个时间步长(single time-step)中通过三角测量重建3D信息,同时观察在空间上被已知基线距离分开的左右图像的特征。在Stereo VO

分享身边生活经验blog 232

SLAM_视觉SLAM中的一种单目稠密建图方法

介绍 之所以只讲单目的稠密建图,这是因为,首先,对于RGBD图,我们已知所有点的深度,可以直接生成稠密的点云。其次,对于稀疏地图,其实很多VO中已经完成了稀疏地图的构建,但是稀疏地图只能用于定位,不能用于导航避障之类的工作。所以很多slam系统中会额外进行稠密地图、甚至语义地图的构建。 单目稠密建图 通常在单目VO中,我们通过特征点匹配与三角测量可以获得稀疏地图点的深度,现在我们想要建立稠密的地图,这意味着我们需要获得图片中所有像素点的深度。那么首先我们需要做的一点就是确定第一幅图的某个像素.

惊鸿一博 2157

视觉SLAM笔记--第6篇: 单目初始化和三角测量

单目初始化和三角测量参考博客1. 三角测量2. 单目初始化 参考博客 参考博客:https://blog.youkuaiyun.com/llfjcmx/article/details/83410318 1. 三角测量 在得到了相机的运动之后,下一步我们需要用相机的运动来估计特征点的空间位置,但是在单目SLAM中,仅通过单张图像是无法获得像素的深度信息的,需要用三角测量(三角化)的方法来估计地图点的深度。 三角测量是指通过在两处观察同一个点的夹角,来确定该点的距离。 考虑图像I1,I2I_{1},I_{2}I1​,I2

w风的季节-博客 4087

单目物体测距

单目测距是一种利用单个摄像头来获取场景深度信息的技术。根据搜索结果,以下是一些常见的单目测距方法:1. **相似三角形法**:这是一种基于几何原理的方法,通过已知物体的尺寸和在图像中的像素宽度来计算物体与相机之间的距离。2. **基于已知运动的测量方法**:这种方法利用相机的移动来辅助测量,通过比较不同时间点的图像来估计深度信息。3. **Mobileye单目测距**:这是一种特别提到的方法,通常涉及到车辆检测和测距,可能涉及到特定的几何模型和算法来提高测距的准确性。

Littro Innovations 872

[学习SLAM ]单目vo中的深度确定方法--三角测量

三角测量的目的是用来确定图片中某一个点的深度。为什么会有这样的需求呢?我们在前面的博客中提到了对极几何与单应变换。在前面其实已经提到过了,在单目VO中,虽然我们可以通过本质矩阵与单应矩阵恢复出相机变换的位姿,但是这两种方法确定的位姿变换是具有尺度不确定性的。在双目vo中,我们会首先使用三角测量恢复出深度信息,再进行位姿估计。 因为基础矩阵与单应矩阵本身描述的是从一个2d平面到另一个2d平面的变换,无需3d深度信息,这两种变换都是正常进行的,因此自然就具有尺度不确定性。更加具体的讲,将基础矩阵与单应矩阵作

开源节流 5729

计算机视觉与深度学习 | 视觉里程计(Visual Odometry, VO)学习思路总结

视觉里程计(VO)是通过摄像头捕获的图像序列估计相机运动轨迹的技术,广泛应用于机器人、自动驾驶和增强现实等领域。以下是一个系统的学习路径,涵盖基础理论、核心算法、工具及实践建议:一、基础理论与数学准备核心数学工具线性代数:矩阵运算(旋转矩阵、变换矩阵)、奇异值分解(SVD)、最小二乘法。几何学:欧氏变换(旋转、平移)、对极几何、单应矩阵。优化方法:非线性最小二乘(如高斯-牛顿法、Levenberg-Marquardt算法)、Bundle Adjustment(BA)。概率论。

尘世冰封的专栏 870

小爱音箱Play增强版刷机接入大模型:自定义唤醒词与远程控制全攻略

智能音箱作为家庭语音入口,受限于厂商预设技能,难以满足个性化需求。通过串口刷机与Linux系统分区改造,可以完全掌控设备底层,将豆包、通义千问等大模型API接入原有音频链路,实现真正智能的语音问答。自定义唤醒词打破了“小爱同学”的唯一唤醒方式,结合ESP32-S3外挂模块,还能优化远场拾音。更深入的应用在于将音箱打造为家庭中控,通过大模型工具调用解析自然语言指令,实现远程控制电脑、智能灯等设备。本文从设备选型、拆机串口、系统备份到语音链路搭建,完整梳理了小爱音箱Play增强版的改造路径,适合具备动手能力的开

weixin_30036289的博客 764

视觉slam中的一种单目稠密建图方法

之所以只讲单目的稠密建图,这是因为,首先,对于RGBD图,我们已知所有点的深度,可以直接生成稠密的点云。其次,对于稀疏地图,其实很多VO中已经完成了稀疏地图的构建,但是稀疏地图只能用于定位,不能用于导航避障之类的工作。所以很多slam系统中会额外进行稠密地图、甚至语义地图的构建。 单目稠密建图 通常在单目VO中,我们通过特征点匹配与三角测量可以获得稀疏地图点的深度,现在我们想要建立稠密的地图,这意味着我们需要获得图片中所有像素点的深度。那么首先我们需要做的一点就是确定第一幅图的某个像素出现在其.

sky的博客 6339

数据库和BI工程师面试题

 一.数据库 1.Oracle数据库,视图与表的区别?普通视图与物化视图的区别?物化视图的作用? 2.Oracle数据库,有哪几类索引,分别有什么特点? 3.Union与Union All的区别? 4.对游标的理解?游标的分类?使用方法? 5.如何查找和删除表中的重复数据?给出方法或SQL。 6.不借助第三方工具,怎么查看SQL的执行计划? 7.创建索引有哪些需要注意的要点?

web_go_run的专栏 1万+

三角测量法恢复深度

此时我们可以通过一些概率的方法对多次测量结果进行融合,得到更鲁棒的结果。方法三:OpenCV接口 同方法二。,此时想求的是两个特征点的深度。方法一:由于我们已经通过。方法二:Cramer法则。(最大后验概率)进行更新。进行深度测量值的滤波。

li4692625的博客 833

个人信息保护合规审计人员(高级)能力考核试卷+面试模拟

《个人信息保护合规审计考试与面试指南》 摘要:本文提供个人信息保护合规审计考试及面试的全面指导。考试采用闭卷笔试形式,满分100分,合格线75分,时长120分钟,包含单选、多选、判断题及综合案例分析题。内容涵盖《个人信息保护法》核心条款、审计程序、风险评估等实务要点。面试环节采用情景模拟方式,重点考察应试者在压力下处理审计独立性、客户关系与监管要求的平衡能力,以及应对数据泄露等突发事件的处置流程。案例题聚焦大型互联网平台的数据收集、共享、跨境传输等高风险环节的合规审计,要求设计完整的审计方案框架。面试评分标

qq_41525079的博客 1146

某讯天御滑块验证码逆向实战:从参数解析到环境对抗

本文详细解析了某讯天御滑块验证码的逆向工程实战技巧,从关键参数解析到浏览器环境模拟对抗。重点介绍了collect、eks等参数的逆向思路,以及如何通过puppeteer等工具补全环境检测,帮助开发者有效突破验证码防护。文章还提供了常见错误解决方案和性能优化建议,是验证码逆向领域的实用指南。

weixin_29325007的博客 442

单目slam测距的原理

单目SLAM(Simultaneous Localization and Mapping,即同时定位与地图构建)是一种利用单个摄像头(单目相机)实现定位和地图构建的技术。

lianxingchen的博客 2039

基于Web的智能家居(源码+开题)

实践上,智能家居系统的普及和应用将极大改善人们的居住体验,提高生活质量,同时也有助于促进智能家居产业链的发展和完善,为社会经济发展注入新的活力。此外,本研究还将对基于Web的智能家居系统的用户体验进行深入研究,通过用户调研和数据分析,不断优化系统功能和界面设计,提升用户的使用体验和满意度。针对以上问题,本研究将综合运用物联网、云计算、大数据等新一代信息技术,通过系统架构设计、功能模块开发、安全性保障、用户体验优化等多个方面的研究工作,力求为基于Web的智能家居系统的研发和应用提供全面而有效的解决方案。

sryue06的博客 1904

深度滤波

转载请说明出处: http://blog.youkuaiyun.com/zhubaohua_bupt/article/details/74911000 3.1深度滤波简介 SVO在建图部分采用的是深度滤波器,论文中并没有详细的介绍。深度滤波在SVO作者写的另一篇叫REMODE[1]的文章里,介绍了深度滤波的每一个步骤。REMODE[1]这篇文章讲的是利用svo提供的位姿,进行三维重建,属于渐进式

凌风探梅的专栏 2162

Imputation Methods for scRNA Sequencing Data

越来越多的研究者使用单细胞RNA测序(scRNA-seq)技术来表征单细胞水平的转录图谱。他们用它来研究复杂组织的异质性、转录组动力学和未知生物的多样性。然而,在基因表达模式随机性的scRNA-seq数据中普遍存在许多技术和生物学上的噪音。这些数据通常具有高维、稀疏和大量“dropout”值的特点,并且受批处理效应的影响。scRNA-seq数据中大量的“dropout”值严重掩盖了基因之间的重要关系,阻碍了下游分析。因此,scRNA-seq数据dropout值的估算就显得尤为重要。

qq_34179307的博客 543

【Bluetooth|蓝牙开发】二、蓝牙开发入门

蓝牙,是一种利用低功率无线电,支持设备短距离通信的无线电技术,能在包括移动电话、PDA、无线耳机、笔记本电脑、相关外设等众多设备之间进行无线信息交换,蓝牙工作在全球通用的2.4GHz ISM(即工业、科学、医学)频段,使用IEEE802.11协议。

Donge's Blog 1万+

视觉SLAM学习——视觉里程计VO

视觉SLAM学习——视觉里程计VO 本文为个人学习视觉slam之后的一些片面的理解,希望能够对大家有所帮助 特征点估计 ORB特征检测 这里仅仅介绍ORB特征点的提取的算法过程: 1、FAST特征点提取(设提取n个角点): 1.1、选取像素p,获得其亮度为Ip 1.2、设置阈值T(如:Ip的 20%) 1.3、以p为中心选取半径为3的圆上的16个像素点 1.4、预测试像素:检测索引为1、5、9、1...

qq_37702859的博客 1126

用 CL_ABAP_ZIP 在 ABAP 里打包任意文件:从前端多选到 ZIP 交付的一条龙实践

本文介绍了在SAP ABAP中实现文件打包交付的完整解决方案。文章首先区分了ZIP和GZIP的不同用途:ZIP用于多文件归档,GZIP用于单数据流压缩。核心流程包括四个步骤:文件选择、二进制上传、内存打包和ZIP输出,并提供了关键对象与函数的速查表。针对实际项目中常见的乱码、大文件处理等问题给出了解决方案,最后展示了一个完整的可运行示例代码,涵盖了从文件选择到下载的全流程实现。该方案适用于财务、质量、运维等多种业务场景,能够有效解决多文件交付的最后一公里问题。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 220

SLAM 学习笔记(三)视觉里程计1(VO) 特征点法

本文系统介绍了视觉里程计(VO)的核心算法流程与关键技术,重点阐述了特征点法和几何计算方法在相机位姿估计中的应用。主要内容包括: 特征点法架构 采用ORB特征(Oriented FAST + Rotated BRIEF)实现高效的特征提取与匹配 通过关键点定位和二进制描述子构建特征表示 运动估计几何方法 2D-2D对极几何:利用本质矩阵E和8点法计算初始位姿 3D-2D PnP:通过已知3D点与2D投影求解相机位姿 3D-3D ICP:点云配准方法 实现流程 特征提取→特征匹配→几何约束求解→位姿估计 引入

a111776的博客 402

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

SVO深度解析(三)之深度滤波(建图部分)

SVO深度滤波原理详细解析

zhubaohua_bupt的博客 5802

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: md 文件的编辑
下一篇: 2016版visio与office安装顺序问题
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值