<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dang_boy的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dang_boy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dang_boy]]></copyright><item><title><![CDATA[从贝叶斯到卡尔曼]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/89960211</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/89960211</guid><author>Dang_boy</author><pubDate>Thu, 09 May 2019 18:31:37 +0800</pubDate><description><![CDATA[背景介绍
假设我们的模型是这个样子的
{&nbsp;xk=f(xk−1,uk)+wk预测方程&nbsp;zk=h(xk)+vk观测方程
\begin{cases}
 \ x_k=f(x_{k-1},u_k)+w_k &amp;amp; 预测方程 \\
 \ z_k=h(x_k)+v_k&amp;amp; 观测方程
\end{cases} {&nbsp;xk​=f(xk−1​,uk​)+wk​&nb...]]></description><category></category></item><item><title><![CDATA[最小二乘法求解超定方程的原理]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/88396680</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/88396680</guid><author>Dang_boy</author><pubDate>Mon, 11 Mar 2019 16:19:40 +0800</pubDate><description><![CDATA[假设
我们要求解一个方程AX=0AX=0AX=0
其中，A是一个n∗mn*mn∗m的矩阵，X是一个m∗1m*1m∗1的向量
一般情况下，n&amp;gt;&amp;gt;m，这就是一个超定方程了，理论上无解，但是我们可以求得最小二乘意义下的解
求解过程
min∣∣AX∣∣22min||AX||^2_2min∣∣AX∣∣22​

∣∣AX∣∣22=(AX)T(AX)=XTATAX||AX||^2_2=(AX)^T(...]]></description><category></category></item><item><title><![CDATA[奇异值分解的理解与oepncv代码]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/85118516</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/85118516</guid><author>Dang_boy</author><pubDate>Fri, 21 Dec 2018 12:27:33 +0800</pubDate><description><![CDATA[特征分解的缺点
特征分解的推导与意义与opencv代码在上一篇博客中介绍了特征分解的原理和推导，特征分解在一定的情况下可以很好的分解（实对称矩阵），但是也有很大的局限性

1. 只能对可对角化的方阵使用
2. 在可以对角化的情况下，特征向量之间也不一定相互正交

为了克服这些缺点，我们便在寻找对一个任意的M*N的矩阵都能找到一个类似特征分解的公式：

先将在以I为正交基底的情况下，转换到另一个正交...]]></description><category></category></item><item><title><![CDATA[特征分解的推导与意义与opencv代码]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/85114855</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/85114855</guid><author>Dang_boy</author><pubDate>Thu, 20 Dec 2018 12:42:32 +0800</pubDate><description><![CDATA[特征值与特征向量
定义：Ax⃗=λx⃗A\vec{x}=\lambda\vec{x}Ax=λx 则称λ\lambdaλ为矩阵A的特征值，x⃗\vec{x}x称为λ\lambdaλ对应的特征向量。
假设A是一个可对角化的矩阵，并且具有n个线性独立的特征向量P=[P1⃗&amp;amp;amp;amp;nbsp;P2⃗&amp;amp;amp;amp;nbsp;P3⃗…Pn⃗]P=[\vec{P_1} \ \vec{P_2}\ \vec{P_3} …  \vec{...]]></description><category></category></item><item><title><![CDATA[n阶贝塞尔曲线的理解以及c++编程实现]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/84570221</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/84570221</guid><author>Dang_boy</author><pubDate>Tue, 27 Nov 2018 17:29:07 +0800</pubDate><description><![CDATA[贝塞尔曲线的原理（BezierCruve）
查看原理戳我
这里就不介绍推导过程了，值得注意的是文章中的线段都是矢量，然后线段都可以被拆分成两个坐标的差来表示AB=B−AAB=B-AAB=B−A一开始看有点蒙蔽，代入这个等式后，之后所有的推导都可以理解。这里就直接介绍一下结论Pik(t)={Pi(t)k=0(1−t)Pik−1(t)+tPi+1k−1(t),k=1,2,3…n;i=0,1,2…n-k...]]></description><category></category></item><item><title><![CDATA[一阶梯度法、二阶段梯度法、牛顿法]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/84068159</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/84068159</guid><author>Dang_boy</author><pubDate>Thu, 15 Nov 2018 11:05:05 +0800</pubDate><description><![CDATA[目标
有一个函数f(x)f(x)f(x),我们要求得函数的最小值（或者最大值），由于最值点一般也是极值点，所以求出所有极值点，然后进行对比就能得到我们要的最值，可以理解为一个最小二乘的问题min⁡x12∥f(x)∥22\min_x \frac {1}{2}\| f(x)\|^2_2xmin​21​∥f(x)∥22​
解法
最暴力的方法，直接求解d12∥f(x)∥22dx=0\frac {d \fr...]]></description><category></category></item><item><title><![CDATA[旋转矩阵的推导过程]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/83509819</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/83509819</guid><author>Dang_boy</author><pubDate>Mon, 29 Oct 2018 19:56:49 +0800</pubDate><description><![CDATA[刚体变换
定义
一个映射g:R3→R3\R^3 \to \R^3R3→R3如果满足一下两个特性，则是刚体变换
1. 长度保持不变：∥g(p)−g(q)=∥p−q∥\Vert g(p)-g(q)=\Vert p-q\Vert∥g(p)−g(q)=∥p−q∥, 所有p,q∈R3p,q\in\R^3p,q∈R3
2. 叉乘保持不变：g∗(v×w)=g∗(v)×g∗(w)g_*(v×w)=g_*(v)×g...]]></description><category></category></item><item><title><![CDATA[相机标定的数学原理及其推导过程]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/79403835</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/79403835</guid><author>Dang_boy</author><pubDate>Wed, 28 Feb 2018 17:58:12 +0800</pubDate><description><![CDATA[接着上一篇博客计算机视觉之相机模型推导建立过程

在上一篇博客中介绍了针孔模型，这篇博客介绍一下相机的畸变参数，然后对推导过程做了详细的推导。

畸变参数：由于针孔模型透光很少，导致相机的曝光时间很长，现实生活中一般使用凸透镜代替针孔，大大提高了曝光效率，但是代价便是引入了畸变。畸变主要分为两种，切向畸变和径向畸变。

径向畸变：由于一般透镜在制作过程中，由于工艺问题，所以光在离中心越远的地方折射...]]></description><category></category></item><item><title><![CDATA[计算机视觉之相机模型推导建立过程]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/79372568</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/79372568</guid><author>Dang_boy</author><pubDate>Sun, 25 Feb 2018 23:33:07 +0800</pubDate><description><![CDATA[ 

世界坐标系：物体的真实世界坐标（三维）

相机坐标系：相对于相机建立的坐标系（三维）

图像坐标系：成像面上以光轴为原点的坐标系（二维）

像素坐标系：成像面上以左上角为原点的坐标系（二维），注意单位是整形的，因为像素是一个一个的。

齐次坐标：可以简单的理解成用多一维表示低纬的坐标。

例如的齐次形式可以表示为,对应的关系为

x=X/Z

y=Y/Z

一般可以令Z=1,则x=X,y=Y...]]></description><category></category></item><item><title><![CDATA[最小二乘法与岭回归的介绍与对比]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/78504258</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/78504258</guid><author>Dang_boy</author><pubDate>Sat, 11 Nov 2017 00:20:20 +0800</pubDate><description><![CDATA[一 线性回归（最小二乘法）

假设我们有n个样本数据，每个数据有p个特征值，然后p个特征值是线性关系。

即对应的线性模型



写成矩阵的形式即是Y=XA

由于样本与模型不一定百分百符合，存在一些噪声，即误差，用B表示，B也是一个向量

即B=Y-XA

Y为样本值，XA为模型的计算值，即期望值

误差的平方的计算公式

Xi为行向量，A为列向量。

最小二乘法的目标就是取得最小的e对应的A，...]]></description><category></category></item><item><title><![CDATA[卡尔曼滤波的理解以及推导过程]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/78419480</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/78419480</guid><author>Dang_boy</author><pubDate>Wed, 01 Nov 2017 22:16:05 +0800</pubDate><description><![CDATA[针对的系统为：

状态方程       X(k)=AX(k-1)+Bu(k-1)+W(k-1)

测量方程       Z(k)=HX(k)+V(k)                         0

W是状态预测的噪声 符合正态分布N(0,Q)

V 是测量的噪声     符合正态分布N(0,R)

理解：

一般测量值Z(k)为外界提供，大概是采用一种不同的方式去获取同一个目标值（值不一定...]]></description><category></category></item><item><title><![CDATA[C++函数学习]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/77579849</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/77579849</guid><author>Dang_boy</author><pubDate>Fri, 25 Aug 2017 16:42:06 +0800</pubDate><description><![CDATA[1. 内联函数 inline和define
内联函数比常规函数执行速度更快，比define更安全。
常规函数调用内存中是跳来跳去的，内联函数是直接创建副本，顺序执行，代价是内存浪费更多，define是宏替换。
在不支持inline特性的环境下，经常使用define来达到类似的效果，如单片机。
2.引用变量&、const、&&
常规函数是按值传递的，如在C语言中要修改参数的值只能通过指针来]]></description><category></category></item><item><title><![CDATA[opencv形态学理解]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/76832816</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/76832816</guid><author>Dang_boy</author><pubDate>Mon, 07 Aug 2017 13:09:59 +0800</pubDate><description><![CDATA[形态学知识

/**************************************************************************/

-代表腐蚀
+代表膨胀
*代表匹配
一下针对的是二值图像，图片指黑底白字腐蚀
A-B={z|(B)z包含于A}
1.该式指出B对A的腐蚀是一个用z平移的B包含在A中的所有的点z的集合
2.等价于B不与北京共享任何公共元素。膨胀
A...]]></description><category></category></item><item><title><![CDATA[opencv 频率域滤波实例]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/76358475</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/76358475</guid><author>Dang_boy</author><pubDate>Sat, 29 Jul 2017 21:02:03 +0800</pubDate><description><![CDATA[先上参考链接：http://blog.youkuaiyun.com/qq_19764963/article/details/51209970

http://www.cnblogs.com/TonyHome/p/4010116.html

这里给出高斯滤波器的实例，关于傅立叶变换的详细步骤，可以看上一篇博客，这里不做过多介绍了



 


#include&amp;lt;opencv2/opencv.hpp&amp;gt;...]]></description><category></category></item><item><title><![CDATA[opencv 傅立叶变换及其逆变换实例及其理解]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/76150067</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/76150067</guid><author>Dang_boy</author><pubDate>Wed, 26 Jul 2017 15:50:39 +0800</pubDate><description><![CDATA[傅立叶变换是把图像从空间域转化到频率域的变换。

空间域

一般的情况下，空间域的图像是f（x，y）=灰度级（0-255），形象一点就是一个二维矩阵，每个坐标对应一个颜色值。

频率域

先介绍几个概念

频率：对于图像来说可以指图像颜色值的梯度，即灰度级的变化速度

幅度：可以简单的理解为是频率的权，即该频率所占的比例

能量=幅度（可能不太准确）

变换结果为F（u，v）

F代表幅度值，u代...]]></description><category></category></item><item><title><![CDATA[opencv实现拉普拉斯锐化的总结]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/75452246</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/75452246</guid><author>Dang_boy</author><pubDate>Wed, 19 Jul 2017 22:07:22 +0800</pubDate><description><![CDATA[我先粗类的介绍一下拉普拉斯算子就是沿着x方向的二阶导数和沿着y方向的二阶导数之和。

由于图像都是离散的值，所以结果是得到一个简单的线性表达式，如下图所示





拉普拉斯算子

写成滤波器则是{0，1，0，

                             1，-4，1，

                               0，1，0}

其他还有几个常用的滤波器{1，1...]]></description><category></category></item><item><title><![CDATA[TSL1401使用方法和心得]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/74999640</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/74999640</guid><author>Dang_boy</author><pubDate>Tue, 11 Jul 2017 22:02:38 +0800</pubDate><description><![CDATA[-------------------------------------------------------------------------------------------------------------

由于该资料在网上随便搜索便有，我就不再详细的介绍其电路原理和曝光时间的计算公式

我着重介绍一下驱动的代码，如果有更大的兴趣看完这篇文章后可以去看看电路原理，以及其他大神的博客
...]]></description><category></category></item><item><title><![CDATA[C++调用API初步创建Windows窗口程序]]></title><link>https://blog.youkuaiyun.com/Dang_boy/article/details/72862621</link><guid>https://blog.youkuaiyun.com/Dang_boy/article/details/72862621</guid><author>Dang_boy</author><pubDate>Sun, 04 Jun 2017 23:37:47 +0800</pubDate><description><![CDATA[首先在进行介绍前，先介绍一下api，个人理解，api是在windows.h中提供的一些封装好的函数。
创建一个窗口程序的一般步骤是先注册一个窗口类名，然后再创建一个窗口，传递信息进行处理（窗口的操作都是通过信息传递来实现的）
下面介绍几个要用到api函数
RegistetClass()  //该函数只有一个参数，是一个指向WNDCLASS结构的指针
//该函数用来注册一个窗口类
WNDC]]></description><category></category></item></channel></rss>