HPP_UIUC_MP2: basic matrix multiplication-----BlockDIM!

最新推荐文章于 2023-11-12 01:15:11 发布
原创 最新推荐文章于 2023-11-12 01:15:11 发布 · 858 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了一个在CUDA编程中遇到的问题：当DimBlock尺寸设置过大时，会导致输出的C矩阵全为零。通过调整DimBlock的大小到合适的范围（例如8x8），可以有效解决该问题并获得正确的计算结果。
部署运行你感兴趣的模型镜像

这次作业有个地方搞的我输出的C矩阵一直都是全000000.


然后发现原来是DimBlock设置的太大了。

//@@ Initialize the grid and block dimensions here
    dim3 DimBlock(8, 8, 1); // if the threads each block is too large, say
			    // 32, then the C output will be all 000000000
	                    // so fail!!!!
    dim3 DimGrid((numCColumns - 1) / DimBlock.x + 1,
                 (numCRows - 1) / DimBlock.y + 1, 1);

这样就可以得到正确结果了。 

"level":"Trace",
"message":"The dimensions of B are 64 x 64",
"file":"F:/1MOOC_SourceCode/HPP/libwb/skel/mp2.cu",
"function":"main",
"line":65,
"time":25975425239252
}]
}
,
"solution_exists": true,
"solution":{
"correctq": true,
"message": "Solution is correct."
}
}

F:\1MOOC_SourceCode\HPP\libwb\build\Debug>


您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

: error: undefined reference to `cv::VideoCapture::open(std::__cxx11::basic_string<char, std::char_t
camille靖的博客
10-18 1万+
使用QT+OPENCV播放视频，本想先实现一下别人的代码、结果一堆类似这样的错误，: error: undefined reference to `cv::VideoCapture::open(std::__cxx11::basic_string, std::allocator > const&)'， 整理两天各种试，最后还是问了专业同事，听取一下意见，如果.h的opencv的头文件已经添加，.
MapReduce: program of Matrix Multiplication
catchingSun的专栏
12-13 1028
1.Matrix Multiplication 's basic principle: （1）Sum the result of Matrix A's row multiplying Matrix B's column as the new Matrix. （2）The Matrix A's row subscript become the new Matrix 's row subscrip
CUDA Samples: matrix multiplication(C = A * B)
网络资源是无限的
08-03 3848
CUDA Samples: matrix multiplication(C = A * B)
解决 error: ‘struct std::__cxx11::basic_stringbuf问题
weicaijiang的专栏
03-24 3037
编译srs时遇到 如下错误 g++ -I../../objs/gtest/include -g -Wall -Wextra -O0 -I../../src/utest -I../../src/core -I../../src/kernel -I../../src/protocol -I../../src/service -I../../src/app -I../../objs -I../../...
FAST-LIO2代码解析(二)
lovely_yoshino的博客
08-01 6937
在ImuProcess.hpp中，一开始就是完成了对ImuProcess类的申明，里面我们可以看到在imu中最主要的还是角速度和加速度这两项特征，这与视觉SLAM的imu融合非常相似。//判断点的时间是否先后颠倒constbooltime_list(PointType&x,PointType&y){};publicEigen//imu参数输出文件V3Dcov_acc;//加速度测量协方差V3Dcov_gyr;......
boost之-lboost_system
Special23的博客
10-28 3837
在升级boost版本后，编译出现以下错误 /usr/local/include/boost/system/error_code.hpp:222: undefined reference to `boost::system::generic_category()' /usr/local/include/boost/system/error_code.hpp:223: undefined refe
RT-DETR推理详解及部署实现
热门推荐
周同学的博客
11-12 2万+
RT-DETR推理详解及部署实现
error: expected unqualified-id before ‘*’ token
caz28的专栏
05-08 3588
出错如下： /home/xxx/boost_1_67_0/boost/uuid/uuid_io.hpp:100:32: error: expected unqualified-id before ‘=’ token unsigned char byte = static_cast<unsigned char>(std::distance(&amp;xdig...
ROS-Kinect cv_bridge的opencv版本兼容问题
Gauxonz的博客
10-17 1万+
今天在编译自己的drone_sensor模块的时候（含stereo camera）出现了/home/joey/pfl/ros/src/drone_sensor/src/stereo_camera/CameraThread.cpp: In member function ‘virtual void CameraThread::loop()’: /home/joey/pfl/ros/src/drone_
机器学习笔记~faster-rcnn安装过程error: too few arguments to function
zlibo丶的博客
03-16 3533
linux下安装faster-rcnn时，出现下面错误时的解决方案： 这是因为当前版本的caffe的cudnn实现与系统所安装的cudnn的版本不一致引起的。 解决办法： 1.将./include/caffe/util/cudnn.hpp 换成最新版的caffe里的cudnn的实现，即相应的cudnn.hpp. 2. 将./include/caffe/layers里的，所有以cudn...
cap_ffmpeg_impl.hpp
11-10
通过查看make过程中的错误知道，问题出在OpenCV-2.3.0/modules/highgui/src/cap_ffmpeg_impl.hpp文件中， 参考 https://code.ros.org/trac/opencv/ticket/1020 中 ffmpeg_build.patch 和 ffmpeg_build_2.patch 对 ...
boost::static_pointer_cast、boost::dynamic_pointer_cast和boost::const_pointer_cast
huangjh2017的博客
07-03 8534
当我们用“裸”指针进行类层次上的上下行转换时，可以使用dynamic_cast。当然我们也可以使用static_cast，只是dynamic_cast在进行下行转换的时候（即基类到派生类）具有类型检查功能，而static_cast没有。因此存在安全问题。 当我们使用智能指针时，如果需要进行类层次上的上下行转换时，可以使用boost::static_pointer_cast和boost::dynamic_pointer_cast。（C++11中也支持智能指针和转换，只是命名空间改成std即可）。
c++使用boost regex编译报错perl_matcher.hpp:382: undefined reference to `boost::re_detail_106100
qoopqpqp的博客
07-27 6331
最近写的c++中用到了boost中的regex，但是make的时候老是报这个错误： main.o: In function `boost::re_detail_106100::perl_matcher, std::allocator > >, boost::regex_traits > >::perl_matcher(__gnu_cxx::__normal_iterator, __gnu_cxx
从Nachos转向ucore/xv6
纯黑老白的专栏
02-11 3538
今天和课程图谱的PKU大牛聊了下。对于学习OS，他推荐MIT的xv6，因为相对于UCB的NACHOS，它更加全面而且麻雀虽小五脏俱全。加上参考资料更多，而且是用C写的，所以更好的做lab，有自动批改的script。MIT 6.828 operating system 然后又发现清华在xv6的基础上，做了个ucore，增加了可读性，且增加了个更多是lab可以一步一步的学习。很赞。一个PPT的介绍 
UCB CS162：operating system In Java with NACHOS Lesson 1
纯黑老白的专栏
02-10 2216
先把nachos在virtualbox里面跑起来才行。 虽然已经有了mips compiler，但是java jdk没装。可以按照这个链接做：点击打开链接 如果什么都没有改动的话，直接make然后nachos，会出来这样就是对的。 现在既然environment搭建好了，就可以开始做实验了。 当然，正如开头所说，这节课用的Nachos是用java写的，因为原版的用C写，很容
Lesson 2: Udacity Intro to Parallel Programming
纯黑老白的专栏
02-11 1709
在这一课，主要讲的是：spencil 以及各种map的parallel programming。 作业就是用的spencil来将filter和图片convolution，从而blur的更加细腻而不是specil直接去方格的平均数。 结果如下： source code: csdn的snippet怎么总是502 bad gateway？？？、
Udacity: Functional Hardware(RTL) Verification---Lesson 1~3
纯黑老白的专栏
02-09 1406
Feb 5, 2014 开始，今天上到lesson 4. 一共有9个lesson 后面更精彩。加油下周前学完。 前3节课主要是熟悉specman E语言（cadence专用）syntax，语法，api，以及一个packet router的verification code设计。 第四节开始讲这门课的意义在于functoinal verification而不是语言，这个E相对于systemVer
Lesson1: Udacity parallel programming 学习笔记
纯黑老白的专栏
01-28 1190
In this lesson, we learned the 4 partitions of CUDA program and how to utilize the block, thread for parallel programming in GPU. 1.      CUDA Malloc; 2.      CUDA Memcpy; from host to device 3.
HPP_UIUC_MP0结果：local GPU
纯黑老白的专栏
04-08 940
因为webgpu总是宕机，所以只好用我笔记本上的3100来跑。
%YAML:1.0 calibrationDate: "Mon Apr 01 16:14:21 2019\n" # flags: fix_k3 + fix_principal_point flags: 132 imageSize: - 768 - 576 cameraMatrix: !!opencv-matrix rows: 3 cols: 3 dt: d data: [ 4.6874604679611883e+002, 0., 3.8350000000000000e+002, 0., 4.6879439393265602e+002, 2.8750000000000000e+002, 0., 0., 1. ] distortionCoefficients: !!opencv-matrix rows: 1 cols: 5 dt: d data: [ -2.5342359872429532e-001, 8.5600118766813921e-002, 5.6244265779694345e-004, -7.8384257012846525e-004, 0. ] nImages: 15 rotaionMatrix_0: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 2.0675728693835911e+000, 2.1075107474976873e+000, 2.9336165222510824e-001 ] rotaionMatrix_1: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 1.9940114749521032e+000, 2.3974858804729884e+000, -1.8750405701889838e-001 ] rotaionMatrix_2: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -1.8508345829987935e-001, -3.0721320273878070e+000, 2.0099928906234399e-001 ] rotaionMatrix_3: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 1.8561798916226813e+000, 2.2574253657276580e+000, 1.8075071703156042e-002 ] rotaionMatrix_4: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 1.9143330893475794e+000, 2.2654143145437464e+000, 5.5136561232423087e-001 ] rotaionMatrix_5: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -1.2176711916278464e-001, -2.8387954340707187e+000, -1.7867568550508553e-001 ] rotaionMatrix_6: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 2.1455070420741249e+000, 2.1214948680266836e+000, -4.6090545899241777e-003 ] rotaionMatrix_7: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 2.0377945599630385e+000, -2.3925292139513301e+000, 4.0630825031139844e-001 ] rotaionMatrix_8: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -2.5437740160710737e-001, -2.8685080517013670e+000, -2.1191323541716614e-001 ] rotaionMatrix_9: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 6.7896166401865587e-001, 2.9203185839292107e+000, 2.1616783717319016e-001 ] rotaionMatrix_10: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 1.4862747025589098e+000, -2.6427103906043348e+000, 6.2730976108590752e-001 ] rotaionMatrix_11: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 4.9097469295410967e-001, 2.5802824180346433e+000, 8.2549111324101287e-001 ] rotaionMatrix_12: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -5.9329273551092010e-001, -2.8406274978108086e+000, -1.2038427172612680e-001 ] rotaionMatrix_13: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 4.4866443913566595e-001, 2.8809831584432062e+000, 2.9157343452658618e-001 ] rotaionMatrix_14: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 4.0925300388373193e-001, 2.3504680059324068e+000, 5.8092187472717938e-001 ] translationMatrix_0: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -2.1688720011873690e+002, -3.8482859993755244e+002, 7.5892212322704984e+002 ] translationMatrix_1: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -7.2598857858311035e+001, -4.1095056756996280e+002, 8.7065484310140323e+002 ] translationMatrix_2: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 3.1108053390777576e+002, -4.4065058470458894e+002, 8.4938948907721942e+002 ] translationMatrix_3: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -9.1224334551975915e+001, -4.2514537231758669e+002, 8.9808378894780935e+002 ] translationMatrix_4: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -6.6207738709959045e+001, -4.0840657182118690e+002, 8.2150062853842633e+002 ] translationMatrix_5: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 3.0835078587362551e+002, -4.1193102193529757e+002, 8.2353802219900638e+002 ] translationMatrix_6: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -2.9223387581025196e+002, -3.8847217027632860e+002, 1.1263946076136303e+003 ] translationMatrix_7: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 3.5562785476260422e+002, 2.5282460579194407e+002, 1.1991223847570261e+003 ] translationMatrix_8: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 2.1656314827051602e+002, -4.3804713525289219e+002, 8.1633526671164771e+002 ] translationMatrix_9: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 1.2866173732912361e+002, -5.7017025106022118e+002, 1.0717308421936129e+003 ] translationMatrix_10: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 4.5769875864385961e+002, -3.5558068321513403e+001, 1.0858289147247763e+003 ] translationMatrix_11: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 2.0864134034698048e+002, -4.5061460733041241e+002, 9.3960218863939292e+002 ] translationMatrix_12: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 4.4922191591590170e+001, -5.4620924115010405e+002, 1.0262957887395842e+003 ] translationMatrix_13: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 2.6578597130156345e+002, -4.8469186163723572e+002, 9.8283699264293682e+002 ] translationMatrix_14: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 2.0091674629264978e+002, -5.1570686057689363e+002, 1.0525920807382834e+003 ] 分析一下这个yml文件，并把这个读进 cameraParams这个结构体struct CameraParams { cv::size imageSize; cv::Mat cameraMatrix; Cv::Mat distortionCoefficients; vector<cv::Mat> rotations; vector<cv::Mat> translations; int flags; };
最新发布
07-09
<think>我们有一个结构体CameraParams，它包含以下成员： imageSize, cameraMatrix, distortionCoefficients, rotations, translations 我们有一个由OpenCV生成的YAML文件，该文件通常包含相机的标定参数。 根据OpenCV的文档，当我们使用FileStorage读取YAML文件时，我们可以使用类似Map的方式来读取数据。 步骤： 1. 使用cv::FileStorage打开YAML文件（读取模式）。 2. 读取imageSize：这是一个cv::Size对象，在YAML中通常以两个整数（width和height）存储。 3. 读取cameraMatrix：这是一个3x3的cv::Mat矩阵。 4. 读取distortionCoefficients：这是一个1xN（通常N=5,8,12或14）的cv::Mat矩阵。 5. 读取rotations和translations：这两个通常是多个旋转和平移向量的数组。但在标定文件中，它们可能是多个矩阵（每个视图一个）。注意，在OpenCV的相机标定输出中，通常每个视图对应一个旋转向量（3x1或1x3）和一个平移向量（3x1或1x3）。因此，我们可能需要在结构体中使用std::vector<cv::Mat>来存储它们。 但是，请注意，用户的结构体CameraParams中rotations和translations的具体类型并没有明确说明。我们假设它们可能是向量（每个视图一个向量）的向量。因此，我们定义结构体如下（如果用户没有给出，我们可以这样定义）： 假设结构体定义如下： ```cpp struct CameraParams { cv::Size imageSize; cv::Mat cameraMatrix; cv::Mat distortionCoefficients; std::vector<cv::Mat> rotations; // 每个元素是一个旋转向量（3x1） std::vector<cv::Mat> translations; // 每个元素是一个平移向量（3x1） }; ``` 然而，在OpenCV的标定输出中，旋转和平移向量通常以矩阵形式存储，每个视图对应一个向量。在YAML文件中，它们通常被存储为一个序列，每个元素是一个向量。 示例YAML文件（部分）： ``` %YAML:1.0 --- image_width: 640 image_height: 480 camera_matrix: !!opencv-matrix rows: 3 cols: 3 dt: d data: [ 6.0000000000000000e+02, 0., 3.2000000000000000e+02, 0., 6.0000000000000000e+02, 2.4000000000000000e+02, 0., 0., 1. ] distortion_coefficients: !!opencv-matrix rows: 1 cols: 5 dt: d data: [ 0., 0., 0., 0., 0. ] rotation_vectors: # 注意：OpenCV的标定函数输出的是旋转向量（Rodrigues向量），而不是旋转矩阵 - !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 0.1, 0.2, 0.3 ] - ... # 可能有多个 translation_vectors: - !!opencv-matrix rows: 3 cols: 1 dt: d data: [ 1.0, 2.0, 3.0 ] - ... # 可能有多个 ``` 注意：上面的YAML结构是假设的，实际OpenCV生成的YAML可能会有所不同。常见的OpenCV标定输出（如使用calibrateCamera函数）会输出如下： - camera_matrix - distortion_coefficients - 然后是每个视图的旋转向量（rotation_vectors）和平移向量（translation_vectors） 因此，我们需要按照文件中的实际节点名称来读取。 读取步骤： 1. 打开文件： cv::FileStorage fs(filename, cv::FileStorage::READ); 2. 读取图像尺寸：注意，OpenCV的标定输出有时会分别存储image_width和image_height，有时会存储在一个image_size节点（包含两个整数）。所以我们需要根据实际文件调整。 如果文件中有"image_size"节点（类型为Size）： fs["image_size"] >> imageSize; 或者分别读取宽和高，然后组合： int width, height; fs["image_width"] >> width; fs["image_height"] >> height; imageSize = cv::Size(width, height); 3. 读取相机矩阵和畸变系数： fs["camera_matrix"] >> cameraMatrix; fs["distortion_coefficients"] >> distortionCoefficients; 4. 读取旋转向量和平移向量：它们通常是序列（序列中的每个元素是一个矩阵）。我们可以使用FileNode和FileNodeIterator来遍历。 例如： cv::FileNode rvecsNode = fs["rotation_vectors"]; for (cv::FileNodeIterator it = rvecsNode.begin(); it != rvecsNode.end(); it++) { cv::Mat rvec; *it >> rvec; rotations.push_back(rvec); } // 同样处理平移向量 cv::FileNode tvecsNode = fs["translation_vectors"]; for (cv::FileNodeIterator it = tvecsNode.begin(); it != tvecsNode.end(); it++) { cv::Mat tvec; *it >> tvec; translations.push_back(tvec); } 5. 关闭文件：fs.release(); 但是，请注意：OpenCV的FileStorage在读取序列时，如果序列中的每个元素都是矩阵，我们可以直接使用>>操作符读取到Mat。 然而，我们需要注意，在标定输出中，旋转向量和平移向量都是3x1的矩阵（或1x3，但通常是3x1）。 如果YAML文件中没有直接使用"rotation_vectors"和"translation_vectors"这样的名称，而是其他名称（如"rot_vecs"和"trans_vecs"），则需要根据实际文件调整节点名称。 因此，我们需要根据实际的YAML文件结构来调整节点名称。 示例代码： 假设我们有一个YAML文件，其结构如下（这是OpenCV的calibrateCamera函数输出的典型结构）： ``` %YAML:1.0 --- image_width: 640 image_height: 480 camera_matrix: !!opencv-matrix rows: 3 cols: 3 dt: d data: [ ... ] distortion_coefficients: !!opencv-matrix rows: 1 cols: 5 dt: d data: [ ... ] avg_reprojection_error: 0.1 rotation_vectors: - !!opencv-matrix rows: 3 cols: 1 dt: d data: [ ... ] - ... # 多个 translation_vectors: - !!opencv-matrix rows: 3 cols: 1 dt: d data: [ ... ] - ... # 多个 ``` 那么，我们可以这样读取： ```cpp #include <opencv2/opencv.hpp> #include <iostream> struct CameraParams { cv::Size imageSize; cv::Mat cameraMatrix; cv::Mat distortionCoefficients; std::vector<cv::Mat> rotations; std::vector<cv::Mat> translations; }; bool loadCameraParams(const std::string&amp; filename, CameraParams&amp; params) { cv::FileStorage fs(filename, cv::FileStorage::READ); if (!fs.isOpened()) { std::cerr << "Failed to open " << filename << std::endl; return false; } // 读取图像尺寸 int width = 0, height = 0; fs["image_width"] >> width; fs["image_height"] >> height; params.imageSize = cv::Size(width, height); // 读取相机内参和畸变系数 fs["camera_matrix"] >> params.cameraMatrix; fs["distortion_coefficients"] >> params.distortionCoefficients; // 读取旋转向量序列 cv::FileNode rvecsNode = fs["rotation_vectors"]; if (rvecsNode.type() != cv::FileNode::SEQ) { std::cerr << "rotation_vectors is not a sequence!" << std::endl; return false; } for (cv::FileNodeIterator it = rvecsNode.begin(); it != rvecsNode.end(); it++) { cv::Mat rvec; *it >> rvec; params.rotations.push_back(rvec); } // 读取平移向量序列 cv::FileNode tvecsNode = fs["translation_vectors"]; if (tvecsNode.type() != cv::FileNode::SEQ) { std::cerr << "translation_vectors is not a sequence!" << std::endl; return false; } for (cv::FileNodeIterator it = tvecsNode.begin(); it != tvecsNode.end(); it++) { cv::Mat tvec; *it >> tvec; params.translations.push_back(tvec); } fs.release(); return true; } ``` 注意：在实际的OpenCV标定输出中，节点名称可能略有不同。例如，旋转向量节点可能叫"rot_vecs"或"rotation_vectors"，平移向量节点可能叫"trans_vecs"或"translation_vectors"。另外，图像尺寸节点也可能直接叫"image_size"，如果是这样，我们可以直接读取到一个cv::Size对象： fs["image_size"] >> params.imageSize; 因此，我们需要根据实际YAML文件调整节点名称。 如果YAML文件中没有分别存储宽和高，而是有一个"image_size"节点，那么我们可以这样读取： cv::FileNode sizeNode = fs["image_size"]; if (!sizeNode.empty()) { params.imageSize.width = static_cast<int>(sizeNode[0]); params.imageSize.height = static_cast<int>(sizeNode[1]); } else { // 尝试分别读取 fs["image_width"] >> params.imageSize.width; fs["image_height"] >> params.imageSize.height; } 为了代码的健壮性，我们可以先尝试读取"image_size"节点，如果不存在再分别读取"image_width"和"image_height"。 同样，旋转向量和平移向量的节点名称也可能不同，我们可以尝试几个常见的名称。 因此，我们可以改进代码，使其适应不同的节点名称。 但为了简单起见，我们假设用户知道自己的YAML文件结构，并按照实际节点名称读取。 最后，请确保在读取矩阵时，矩阵的类型（dt）与代码中期望的一致（通常为double，即CV_64F）。在OpenCV的标定中，通常使用双精度浮点数。 如果用户的结构体中的rotations和translations需要是其他类型（比如旋转矩阵而不是旋转向量），则需要在读取后转换。因为OpenCV的calibrateCamera输出的是旋转向量（Rodrigues向量），如果需要旋转矩阵，则使用Rodrigues函数转换。 但根据问题描述，我们只需要读取到结构体，所以保持为旋转向量（cv::Mat）的向量。 总结：我们提供了一个函数loadCameraParams，它从YAML文件中读取数据并填充到CameraParams结构体中。 注意：我们假设YAML文件的结构与上述示例类似。如果实际文件结构不同，需要调整节点名称。 如果用户提供的YAML文件是由OpenCV的FileStorage直接生成的（例如使用calibrateCamera函数并保存结果），那么通常节点名称是固定的，我们可以参考OpenCV文档。 参考文献：OpenCV的FileStorage使用示例和文档[^1][^2]。</think>### 解析 OpenCV YAML 标定文件到 C++ 结构体 要将 OpenCV 生成的 YAML 标定文件解析到 `CameraParams` 结构体，请按照以下步骤操作： #### 1. 定义结构体 ```cpp #include <opencv2/opencv.hpp> #include <vector> struct CameraParams { cv::Size imageSize; // 图像尺寸 cv::Mat cameraMatrix; // 相机内参矩阵 3x3 cv::Mat distortionCoefficients; // 畸变系数 1x5 std::vector<cv::Mat> rotations; // 旋转向量 (每个元素是 3x1 Mat) std::vector<cv::Mat> translations; // 平移向量 (每个元素是 3x1 Mat) }; ``` #### 2. 实现解析函数 ```cpp bool parseCameraParams(const std::string&amp; filePath, CameraParams&amp; params) { cv::FileStorage fs(filePath, cv::FileStorage::READ); if (!fs.isOpened()) { std::cerr << "无法打开文件: " << filePath << std::endl; return false; } // 解析图像尺寸 int width = 0, height = 0; fs["image_width"] >> width; fs["image_height"] >> height; params.imageSize = cv::Size(width, height); // 解析相机内参矩阵 fs["camera_matrix"] >> params.cameraMatrix; // 解析畸变系数 fs["distortion_coefficients"] >> params.distortionCoefficients; // 解析旋转向量序列 cv::FileNode rvecsNode = fs["rotation_vectors"]; for (cv::FileNodeIterator it = rvecsNode.begin(); it != rvecsNode.end(); ++it) { cv::Mat rvec; *it >> rvec; params.rotations.push_back(rvec); } // 解析平移向量序列 cv::FileNode tvecsNode = fs["translation_vectors"]; for (cv::FileNodeIterator it = tvecsNode.begin(); it != tvecsNode.end(); ++it) { cv::Mat tvec; *it >> tvec; params.translations.push_back(tvec); } fs.release(); return true; } ``` #### 3. 使用示例 ```cpp int main() { CameraParams cameraParams; if (parseCameraParams("calibration_data.yaml", cameraParams)) { std::cout << "图像尺寸: " << cameraParams.imageSize << std::endl; std::cout << "相机矩阵:\n" << cameraParams.cameraMatrix << std::endl; std::cout << "畸变系数: " << cameraParams.distortionCoefficients.t() << std::endl; std::cout << "\n旋转向量数量: " << cameraParams.rotations.size() << std::endl; for (size_t i = 0; i < cameraParams.rotations.size(); ++i) { std::cout << "Rvec " << i << ": " << cameraParams.rotations[i].t() << std::endl; } std::cout << "\n平移向量数量: " << cameraParams.translations.size() << std::endl; for (size_t i = 0; i < cameraParams.translations.size(); ++i) { std::cout << "Tvec " << i << ": " << cameraParams.translations[i].t() << std::endl; } } return 0; } ``` #### 4. 关键说明 1. **YAML 文件结构**：确保 YAML 文件包含以下节点： ```yaml image_width: 640 image_height: 480 camera_matrix: !!opencv-matrix rows: 3 cols: 3 dt: d data: [fx, 0, cx, 0, fy, cy, 0, 0, 1] distortion_coefficients: !!opencv-matrix rows: 1 cols: 5 dt: d data: [k1, k2, p1, p2, k3] rotation_vectors: - !!opencv-matrix rows: 3 cols: 1 dt: d data: [rvec1_x, rvec1_y, rvec1_z] - ... translation_vectors: - !!opencv-matrix rows: 3 cols: 1 dt: d data: [tvec1_x, tvec1_y, tvec1_z] - ... ``` 2. **数据类型**：OpenCV 通常使用双精度(`d`)存储标定数据，确保结构体中的 `cv::Mat` 使用 `CV_64F` 类型。 3. **错误处理**：添加检查确保节点存在： ```cpp if (rvecsNode.empty()) { std::cerr << "警告: 未找到旋转向量数据" << std::endl; } ``` #### 5. 常见问题解决 - **节点名称不匹配**：如果 YAML 使用不同节点名（如 `rot_vecs` 代替 `rotation_vectors`），修改代码中的节点名称 - **空数据检查**：添加 `if (params.cameraMatrix.empty())` 检查关键数据 - **类型转换**：若数据是整数，使用 `static_cast<int>` 转换： ```cpp width = static_cast<int>(fs["image_width"]); ``` 此方法直接利用 OpenCV 的 `FileStorage` 类实现高效解析，保持数据类型一致性[^1][^2]。
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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