XXX的博客

论文：《Accurate Multiple View 3D Reconstruction Using Patch-Based Stereo for Large-Scale Scenes》该论文是OpenMVS中PatchMatch算法原理的出处，因此仔细阅读了一遍，在此记录一下遇到难点。这篇博客讲的主要是该论文中的单应矩阵。论文是怎么表述单应矩阵的？（参数比较多，具体的含义请到论文看哈）稍微解释一下参数：用Xi和ni描述一个平面：Xi是世界坐标系中的一个点。ni 是平面的法向量。Ri、

前言：这个文档记录的内容是OpenMVS代码里面碰到的问题，大致可以分成两类：一类是变态的c++语法，另一类是OpenMVS里面一些代码对应的具体意义。文档将会以问答的形式进行记录。———————————————————————————————————————————————————————c++语法问题：1.“ASSERT(imagesMap[idx] != NO_ID)”似乎是一个判断语句，背后具体是怎么封装起来的？解：2.点进NO_ID的宏定义是“DECLARE_NO_INDEX(uint

#记录一下，一篇比较通俗，看完能大概理解SIFT思路的博文https://blog.youkuaiyun.com/qq_39451645/article/details/112129039

#记录一下卡尔曼滤波器的通俗解释：https://www.zhihu.com/question/22422121/answer/22877882

#记录一下：图优化的解析https://www.cnblogs.com/gaoxiang12/p/5244828.html

概率–似然，这两个词在中文中貌似看不出啥关系。但是在英文里：probability和likelihood，在做阅读理解的时候，你可以认为他们是相同的单词，从而进行同义词替换。但在数学的世界里，以这两个词为核心诞生的两个概念：概率函数和似然函数，却有着天差地别。假如现在有个黑箱，里面放着白球和黑球，他们的比例是惟一的，但却只有上帝知道，但是上帝嘛肯定不告诉你。那么对我们人类来说，怎么才能知道黑箱里的黑白球比例呢？（或曰：每次从箱子里区一个球，是白球或者黑球的概率）不知道上帝想什么，去估计上帝想什么，这就

#记录一下：unordered_map本质上是一个类似于vector的容器，但是不同在于他使用哈希算法来帮助储存检索容器中的数据，比普通的顺序排列读取效率更高。也因为使用了哈希算法，unordered_map比vector多了一个东东——<key, value>键值对。为什么要键值对呢？具体要看看哈希算法的原理。哈希算法可以看看这个，关于哈希算法的一系列解析文章：http://www.nowamagic.net/academy/detail/3008010（这个网站有不少有意思的文章）

#记录一下计算机视觉life的文章，关于g2o的详细分析。参考博文：https://mp.weixin.qq.com/s/j9h9lT14jCu-VvEPHQhtBw

#记录一下：一篇要吹爆的博文，李群李代数参考博文：https://blog.youkuaiyun.com/wb790238030/article/details/88219634

#记录一下：参考博文写的很清楚了：在优化一个变换矩阵T时，常常用到这样的公式：意思是：现在总共有N个三维点p和相机观测值z，那么我们的目标就是寻找一个最佳的位姿T，使得整体误差最小化。这时候我们的误差函数（等式右边）是一个矩阵呀，这怎么优化，起码也有一个目标值才能优化吧？？这就是范数登场的时候了，他就是用来描述等式右边的“误差矩阵”，到底ok不ok。“误差矩阵”的二范数越小表示越逼近实际值。这就是二范数的作用。/分割线/参考博文很详细，方便起见，给点博文的一部分内容：这里的矩阵就是表征

#记录一下template <int _PoseDim, int _LandmarkDim> struct BlockSolverTraits { static const int PoseDim = _PoseDim; static const int LandmarkDim = _LandmarkDim; typedef Eigen::Matrix<double, PoseDim, PoseDim, Eigen::ColMajor> PoseMa

问题：这是什么意思typedef typename Traits::PoseMatrixType PoseMatrixType;解释：使用typedef将旧类型Traits::PoseMatrixType简化定义为一个新的类型PoseMatrixType。typename的作用是告诉编译器 Traits::PoseMatrixType 是一个类型，不是一个变量或者函数。这是因为编译器在最开始并不能判断 Traits::PoseMatrixType 是 Traits 命名空间中的函数、变量还是类型，

代码如下：vector<KeyPoint> keypoints_1, keypoints_2;vector<DMatch> matches;find_feature_matches ( img_1, img_2, keypoints_1, keypoints_2, matches );cout<<"一共找到了"<<matches.size() <<"组匹配点"<<endl;for ( DMatch m:matches ){

由于是在ch7中的pose_estimation_3d2d遇到的问题，因此我直接在pose_estimation_3d2d文件中添加测试代码，测试代码可以放在最后应该也可以，就是图个方便… /*************test*************/ cout << "test_start:" << endl ; Mat my_img1=img_1.clone(); Mat my_img2=img_2.clone(); int img1_

pose_estimation_3d2d中显示错误的代码段为初始化g2o中的片段： // 初始化g2o typedef g2o::BlockSolver< g2o::BlockSolverTraits<6,3> > Block; // pose 维度为 6, landmark 维度为 3 Block::LinearSolverType* linearSolver = new g2o::LinearSolverCSparse<Block::PoseMat

#笔记，方便日后忘记回看，仅记录重点内容，具体推导回看十四讲先上图：如图，现实世界中有一个P点和一个相机（光心），描述这个P点的空间坐标首先得有一个坐标系，那么以光心为原点O建一个坐标系，叫相机坐标系。那么就可以在相机坐标系下，设P坐标(x,y,z)和P的投影点P’(x’,y’,z’)。值得一提的是，P’(x’,y’,z’)坐落在物理成像平面和像素平面。物理成像平面，像素平面是二维的，他们的坐标系并不一样：物理成像平面在o’x’y’平面上；像素平面的原点在那个黑灰色图的左上角(图片的左上角)，