dulingwen的博客

局部立体匹配一、什么是局部匹配算法？优势如何？   局部(Local)立体匹配是相对于半全局以及全局(Non-Local)立体匹配算法而言的，它不构建能量函数，而是利用某种代价函数(或称做相似性度量)，仅仅通过比较左右视图中相同大小的图像块来确定视差，它的基本流程一般为代价计算、代价聚合、视差计算、视差细化。虽然非局部立体匹配算法在性能上可能优于局部算法，但是它们也有很多难点，并非是所有情况下的最好选择，例如：   全局算法或半全局算法由于需要相当多的计算量，因此运算耗时可能很长，特别是对于高分辨率的

​  在SLAM经常需要谈论一件事情，就是坐标系变换与坐标变换，坐标系变换和坐标变换是不一样的，要注意区分两者的不同。在nnn维线性空间中，任意nnn个线性无关的向量都可取作它的基或坐标系。但是对于不同的基或坐标系，同一个向量的坐标一般是不同的，下面讨论当基改变时，向量的坐标时如何变化的。一、基变换设x1x_{1}x1​，x2x_{2}x2​，…，xnx_{n}xn​是旧基，y1y_{1}y1...

基于Patch Match的立体匹配算法

efficient large scale stereo matching

立体匹配旨在为校正后的左右视图提供稠密的匹配对，这种问题称为"stereo correspondence problem"。有大量的算法用于求解立体匹配问题，根据Scharstein和 Szeliski的研究，所有这些算法的计算流程基本上都可以分为四个步骤：A.匹配代价计算；B.代价聚合；C.视差计算/优化；D.视差细化。其中匹配代价用来度量像素或者像素块之间的相似性，计算匹配代价的方法有AD、SAD、BT、NCC、Census-Hamming、HMI、Daisy以及基于深度学习方法的匹配代价等等。

MiddleBurry Stereo Evaluation主页：http://vision.middlebury.edu/stereo/eval3/Robust Vision Challenge：http://robustvision.net/leaderboard.php（2018年已经停止更新了）

基于matlab的双目相机标定

一、双目测距基本流程 双目测距属于双目SLAM的一个应用领域。 关于双目测距的基本原理，其实并不复杂，但说起来内容也不少，其核心原理就是三角测量，三角测量在土地测量、天文测量等领域都得到了广泛应用，是一种很好的测距方法。为了对双目测距的内容有一个很好的认识大家可以先看一下这个博客，讲的挺的不错的：https://blog.youkuaiyun.com/piaoxuezhong/article......