墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
207平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
ORB-SLAM论文中提到：
我们在后文介绍一种新的基于模型选择的自动化方法，它对平面场景选择单应性矩阵而对非平面场景选择基础矩阵。Torr等人提出了一种针对模型选择的统计方法。在类似的理论基础下，我们开发了一种启发式的初始化算法，它考虑了近似退化场景（例如平面、近平面和低视差）下选择基础矩阵的风险(当然纯旋转情况下也只能使用单应矩阵)，在这种退化场景下更倾向于选择单应性矩阵。在平面场景中，出于安全运行考虑，如果解决方案有双重歧义，我们就避免初始化，因为可能选择错误的解。我们延迟初始化，直到该方法产生具有显著视差的唯一解。
本文部分参考的：https://heyijia.blog.youkuaiyun.com/article/details/53782094
从零实现gods-eye-view：OpenCV全景拼接与相机标定实战指南
多路视频拼接是计算机视觉中连接局部感知与全局理解的关键技术，其核心难点在于将多个摄像头的独立画面统一到同一俯视坐标系，生成具有物理比例的鸟瞰图。实现高质量全景拼接，离不开相机标定、特征匹配、单应变换与图像融合等基础环节，而OpenCV作为成熟的开源计算库，能够提供全流程可控的算法支持，尤其适合工程阶段的快速验证与精度调优。该技术在园区安防、工程车辆盲区预警、仓储物流等场景中有着刚需应用，直接决定了系统能否实现跨相机目标追踪与全局态势感知。本文以gods-eye-view项目为例，完整梳理了从标定棋盘格到边缘
Homography 知多少？
在ORB-SLAM初始化的时候，作者提到，如果场景是平面，或者近似平面，或者低视差时，我们能应用单应性矩阵(homography)，这三种情形在我应用SVO的过程中颇有同感，打破了我对HH矩阵的固有映像，即只能用于平面或近似平面。但是我不知道如何去具体分析这里面的误差，比如不共面的情况时，应用HH矩阵将一个图像坐标从图像1投影到图像2时，它会落在图像哪个位置？和实际位置的误差该怎么计算？误差会有多
光学中心偏移怎么标定？主点坐标为何不是分辨率一半
相机标定是机器视觉与ISP调试的基础环节，而内参矩阵中的主点坐标（cx, cy）常被误认为应等于图像分辨率的一半。实际上，由于镜头装配公差、传感器裁剪及光学设计等原因，主点偏移是真实存在的物理特性。理解光学中心偏移的原理，是准确进行畸变矫正、双目视差计算与3D重建的前提。本文从针孔模型出发，解析主点偏移的产生机制及其对内参矩阵、畸变模型和图像质量的连锁影响，并给出基于标定板的完整实操流程，包括图像采集规范、角点提取与结果评估方法。同时针对工业现场常见的重投影误差过大、温漂和机械松动问题，提供高级校准思路与排
[学习SLAM]单应性矩阵的理解及求解
单应性概念的引出 我们在这里引入一个新的概念：单应性（Homography）变换。可以简单的理解为它用来描述物体在世界坐标系和像素坐标系之间的位置映射关系。对应的变换矩阵称为单应性矩阵。在上述式子中，单应性矩阵定义为： 其中，M是内参矩阵 成像几何模型已经得到了像素坐标系和世界坐标系下的坐标映射关系： 其中，u、v表示...
C++ OpenCV4图像拼接：ORB特征匹配与单应矩阵全景拼接详解
全景图像拼接是计算机视觉中一个基础且高价值的工程任务，其本质是通过特征点匹配与透视变换将多视角图像对齐并融合。ORB作为轻量级特征提取算法，结合FAST角点检测与二进制描述子，能在CPU上高效完成特征匹配，配合RANSAC估计单应矩阵、warpPerspective实现投影变换，构成了工业视觉中主流的拼接路线。该方案适用于无人机航拍、文档扫描、手机连拍合成等场景，具有速度快、免版权授权的优势。OpenCV4 C++环境下，从特征提取、KNN匹配、Lowe筛选到画布计算和缝合融合，每一步参数调节与中间结果验证
照片测尺寸的几何参数估计：原理、代码与实测经验
在机器视觉与图像测量任务中，透视变形会导致直接按像素换算尺寸产生高达20%以上的误差。几何参数估计通过求解从二维像素坐标到三维真实坐标的投影逆问题，借助针孔模型、单应矩阵与相机标定等手段，能够从单张照片恢复物体的真实长度、面积与角度。该技术在自动化质检、建筑勘察、电商图片测物等场景中具有广泛应用，无需激光扫描或复杂硬件，仅凭参照物或固定机位标定即可获得量程0.5%~1%的测量精度。文章以OpenCV为例，详细介绍了参照物法、相机标定法、误差来源及处理策略，并结合钢板尺寸测量、家装图家具评估等真实项目，给出了
多传感器融合算法，基于Lidar,Radar,Camera算法
1：传统方法融合算法 2：深度学习融合算法
跟着团子学SAP CO：基于成本的完工百分比结算：Cost-based POC（以项目为例）
本文以英国及北美会计准则下的基于成本的POC的销售型项目结算对PS模块中的完工百分比进行介绍
什么是单应矩阵和本质矩阵
知乎上面的大牛还是很多，直接搜Homography或者单应矩阵就能得到很多大神的回答，可能回答中的一句话或者一个链接就够自己学习很久。 其实在之前研究双目视觉的时候就接触了对极几何，通过视觉就可以得到物体的远近信息，这也是特斯拉等自动驾驶甚至可以完全使用摄像头而不使用雷达的原因。 通过下面这幅图说明一下匹配点必须在极线上。在单镜头下，同一个径向的物体P、Q的成像是重合的，所以我们无法判断物...
风控IV、AUC、KS python计算代码
df_temp：数据集，Y：是否逾期标签，feas_list：需要计算IV的 变量。2、 按月和不同Y 下的 IV计算。
模拟IC版图DRC实战：手把手教你搞定MIM电容天线错误和ESD.10g违例
本文深入解析模拟IC版图中的MIM电容天线错误和ESD.10g违例问题，提供从错误解码到实战修复的完整指南。通过电路图修改、版图优化和验证闭环等步骤，帮助工程师高效解决DRC错误，特别适用于ADC等精密模拟电路设计。文章还分享了高级排错技巧和预防性设计策略，大幅提升流片成功率。
【OpenCV】OpenCV-C++自己编写函数实现单应性矩阵求解findHomograph和单应性变换warpPerspective
1. 文档结构及相关说明 输入图片为src.jpg（待校正图像，待校正目标的四对点需要使用Photoshop等软件预提取）和dst.jpg（利用扫描全能王等得到的校正后的图像，用于提供校正后的图像尺寸），如下所示： src.jpg dst.jpg 输出结果见以下帖子（直接调用OpenCV现成函数findHomography和warpPerspective）： OpenCV-C++实现单应性矩阵的求解_Quentin的博客-优快云博客 2. 代码实现 myfindHomograp...
计算机视觉：相机模型与参数标定
一、相机投影模型 1、小孔成像 2、相机模型中的四个平面坐标系 3、像主点偏移 4、畸变现象与内参矩阵 5、外参矩阵 二、相机标定：张正友棋盘格标定法 1、张正友棋盘格标定法描述 2、计算外参和内参 2.1 计算单应性矩阵H 2.2 计算内参数矩阵 2.3 计算外参数矩阵 3、实验：MATLAB实现 3.1 实验数据 3.2实验过程 3.3 实验结果 4、实验：OpenCV实现 4.1 实现代码 4.2 实验结果 5、实验分析与总结
图像拼接-APAP算法精读As-Projective-As-Possible Image Stitching with Moving DLT
图像拼接经典算法0基础原理推导
AIGC实战——基于Transformer实现音乐生成
Transformer 是最流行的音乐生成技术之一，因为音乐可以视为一个序列预测问题，Transformer 模型将音符视为一个个符号的序列(类似于句子中的单词)，从而用于生成音乐。Transformer 模型基于先前音符预测下一个音符，生成音乐作品。在本节中，将学习如何处理音乐数据，并应用 Transformer 生成与给定训练集风格相似的音乐。
【RK3399 Ubuntu】基于rk3399的lxde的lubuntu桌面移植适配记录之第二步：最基本Ubuntu根文件系统的相关常用工具完善
文章目录1.使能系统网络管理服务1.1 安装驱动modules管理工具1.2 使能网络服务2.终端自动补全命令功能3.安装ssh服务4.安装系统信息查看工具5.安装resize工具6.安装lrzsz工具7.使能rc.local服务7.1 修改服务Install块7.2 使能rc.local.service服务7.3 添加执行脚本且赋予执行权限 续接上文，本文主要完善前面已经制作好的rootfs 1.使能系统网络管理服务 1.1 安装驱动modules管理工具 apt-get install kmod 1.
相机内参矩阵与单应矩阵在计算机视觉中的应用
相机内参矩阵是计算机视觉中的基础概念，它描述了相机将三维空间点投影到二维图像平面的数学关系。通过内参矩阵可以获取相机的焦距、主点坐标等关键参数，这些参数在图像处理、三维重建等应用中至关重要。单应矩阵则表征了两个平面之间的透视变换关系，广泛应用于图像拼接、增强现实等领域。在实际工程中，结合OpenCV等工具库，开发者可以通过相机标定获取准确的内参矩阵，并利用特征匹配算法计算单应矩阵。这些技术在SLAM系统、工业检测等场景中发挥着关键作用，特别是在处理图像畸变、实现多视角图像对齐等任务时。随着深度学习的发展，基
从养虾到退坑：OpenClaw 卸载不留残留，一步到位
文章摘要： 本文提供OpenClaw软件的完整卸载指南，适用于Windows、macOS和Linux系统。内容包含卸载前的数据备份步骤（配置文件、日志、插件列表），以及详细的卸载脚本。Windows版通过批处理文件删除程序文件、注册表项和环境变量；macOS/Linux版则提供shell脚本，涵盖服务停止、软件包卸载、配置清理等步骤。特别强调要删除所有用户数据（包括多用户环境），确保系统无残留。文末建议重启计算机以使更改生效，实现"一步到位"的彻底卸载。
一个单应矩阵为什么拼不好所有场景 从平面到视差
单应性能够统一描述同一平面在两个视图间的投影，也适用于理想纯旋转成像。但相机平移与场景深度变化同时存在时，视差使全局单应模型出现结构性残差。本文推导其来源，并区分几何配准、接缝选择和图像融合的职责。
索尼IMX316 标定_ToF模块相机校准
很多东西一开始给出去的并不是最优的方案，而是在客户端支持中，以及在持续不断的芯片验证中，发现还可以这么做，还能够再提升Sensor的性能，所以说这是一个持续的过程。曾经听说过一个故事，在某厂里ST产品一直作为第一供应商多年，然后近段时间即将被新兴公司的ToF产品所打败，性能报告已经出来，但是ST并没有更新产品，而是在原有产品更新了固件以及标定流程，此时产品的性能又是超越其他供应商的产品。相机矩阵不考虑镜头失真，因为理想的针孔相机没有镜头。为了准确地代表一个真实的相机，相机模型包括径向和切向的镜头畸变。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
交比不变性：射影几何中的核心不变量及其在视觉测量中的应用
射影几何中，当透视投影改变物体的长度和比例时，交比作为一种射影不变量始终保持不变。它通过四个共线点之间的距离比值之比定义，本质是分式线性变换下的不变量。交比不变性在相机标定、单目测量、图像矫正等领域有着重要应用。基于交比的几何约束，可以从单张照片中恢复真实尺寸，也可以辅助单应矩阵求解，提高特征匹配的可靠性。理解交比不变性，有助于深入掌握射影几何的本质，并在工程实践中避免透视失真带来的测量误差。本文从一个可复现的数值验证出发，展示交比在射影变换下的稳定性。
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
上帝视角实现指南：从透视变换到无人机航测图像拼接
在计算机视觉与遥感测绘领域，将倾斜拍摄的影像矫正为垂直俯视的“上帝视角”，本质上是通过数学变换重建三维空间在二维平面上的准确投影。这一过程的核心是透视变换与单应矩阵，它们决定了图像能否从近大远小的透视效果转换为比例统一的顶视图。借助OpenCV等工具，开发者可以完成相机标定、畸变矫正、特征匹配与图像拼接，从而获得大范围的正射影像。该技术广泛应用于无人机航测、GIS地图制作、智慧城市可视化、安防监控等场景，能够为面积测量、车辆计数、变化检测提供可靠的数据基础。本文从基础概念出发，结合工程实践中的参数调优与常见
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
行列式、特征值、SVD 等知识点记录（待补充）
2×2 矩阵AabcdAacbddetAad−bcdetAad−bc几何意义：两个列向量张成的平行四边形的有向面积。3×3 矩阵Aabcdefghig & h & iAadgbehcfidetAaei−fh−bdi−fgcdh−egdetAaei−fh−bdi−fgcdh−eg。
相机模型与参数标定：从针孔模型到OpenCV实操详解
相机标定是计算机视觉中最基础也最关键的环节之一，它通过建立从三维世界到二维像素的投影模型，确定相机内参与外参，并校正镜头带来的径向与切向畸变。理解针孔模型、四大坐标系变换以及张正友标定法的原理，是进行视觉SLAM、三维重建、双目测距等高精度任务的前提。标定质量直接影响后续特征匹配与深度估计的准确度，而OpenCV提供了成熟的标定与去畸变工具链，从棋盘格角点提取到亚像素优化，从重投影误差评估到映射表加速，都能高效落地。无论是课程学习还是工程实战，掌握相机模型与参数标定都能帮助你快速定位精度问题，避免在错误的内
单应矩阵：计算机视觉中的平面映射原理与实践
单应矩阵（Homography Matrix）是计算机视觉中描述平面间投影变换的核心工具，其本质是一个3×3的线性变换矩阵。在齐次坐标空间下，单应矩阵通过保持直线性但不保持平行性的特性，实现了不同视角下平面图像的精确映射。这一特性使其在图像拼接、增强现实等场景中具有重要技术价值，特别是在处理棋盘格标定、文档校正等平面场景时效果显著。通过直接线性变换(DLT)算法配合RANSAC优化，可以鲁棒地估计单应矩阵参数。理解单应矩阵的工作原理，有助于开发者更好地处理AR物体定位、全景图生成等实际问题。
单应矩阵分解
转载地址：https://blog.youkuaiyun.com/kokerf/article/details/72885435作者写的很好！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
228
扫一扫
