多视角立体视觉三维重建实战:从SfM稀疏点云到精确相机标定

SFM(structure from motion 从运动恢复结构)和MVS(multi-view stereo 多视图立体视觉) 主要目的:SFM是重建稀疏点云的,MVS重建的是稠密点云。 输入的数据:SFM是没有标定的数据,而MVS输入的是标定的数据。 为什么SFM无法重建出稠密的点云,但是MVS可以? SFM中我们用来做重建的点是由特征匹配提供的!这些匹配点天生不密集!MVS则几乎对照片中的每个像素点都进行匹配,几乎重建每一个像素点的三维坐标,这样得到的点的密集程度可以较接近图像为我们展示出的清晰度。 SFM和MVS关系 SFM给MVS算好了输入视角的位姿,内参,稀疏点云以及它们的共视关系,MVS再利用这些信息以及彩色图 阅读详情

1. 从照片到三维世界:SfM到底在做什么?

想象一下,你手里有一叠从不同角度拍摄同一个场景的照片,比如一座古老的建筑、一个精致的工艺品,或者是你家客厅的某个角落。这些照片本身是扁平的,只记录了三维世界在某个特定视角下的二维投影。现在,我想问你一个问题:能不能只靠这些照片,就把这个场景的三维结构给“算”出来?

听起来有点像魔法,对吧?但这正是运动恢复结构(Structure from Motion, SfM) 要解决的核心问题。我干了这么多年计算机视觉,SfM一直是我工具箱里最经典、最可靠的工具之一。它不依赖昂贵的激光雷达,也不需要预先知道相机是怎么运动的,就靠一堆“乱糟糟”的照片,就能给你还原出一个三维的稀疏点云,顺带还把每张照片拍摄时相机的位置和姿态(也就是相机参数)给标定出来。

这个过程,你可以把它理解成一个“视觉考古”。我们手里的照片是“文物”(二维图像),SfM就是那套“考古方法”,通过分析这些文物之间的关联(特征匹配),来推断出已经消失的“古代建筑”(三维结构)和“考古队员当时站的位置”(相机运动)。最终,我们得到的是一个由成千上万个空间点构成的稀疏点云,它就像用星星勾勒出的星座图,虽然点与点之间空隙很大,但已经足以让我们看清物体的轮廓和结构。

那么,这套“考古方法”具体怎么操作呢?简单来说,它遵循一个非常清晰的流水线:特征提取与匹配 -> 初始相机参数求解 -> 三角测量生成稀疏点云 -> 捆绑调整优化一切。接下来,我就带你一步步拆解这个流程,我会尽量用大白话和实际操作的例子,把里面那些看起来有点吓人的数学公式,变成你可以理解和复现的代码和步骤。咱们的目标是,读完这篇文章,你不仅能明白原理,还能自己动手,用开源工具跑通一个完整的SfM重建流程。

2. 第一步:让图像“自我介绍”——特征提取与匹配

任何三维重建工作的起点,都是让计算机“看懂”图像。但计算机不像我们,一眼就能认出物体的形状和边界。它需要找到图像中一些稳定、独特的“关键点”,作为后续匹配和计算的“锚点”。这个过程就是特征提取。

我最早接触这个领域时,SIFT(尺度不变特征变换)特征几乎是唯一的选择。它厉害在哪呢?简单说,无论你把图片放大、缩小、旋转,甚至光照条件变了,SIFT都能在同一个物理位置上找到几乎不变的特征点。它通过构建图像的高斯金字塔(模拟不同距离看物体),并在金字塔中寻找极值点,来保证尺度不变性;再通过计算关键点周围区域的梯度方向直方图,来生成一个128维的描述向量,这个向量对旋转和亮度变化也很鲁棒。

现在,除了SIFT,我们还有SURF(速度更快)、ORB(兼顾速度和性能,适合实时应用)等选择。在实际项目中,我通常会根据数据特点做选择:对于高精度、静态场景的重建,SIFT依然是首选;对于无人机航拍视频流或者需要快速处理的场景,ORB可能更合适。

提取完特征,下一步就是特征匹配。假设我们有两张照片A和B,分别提取了1000个和1200个SIFT特征点。匹配的目标就是找出A中的哪些点和B中的哪些点,描述的是现实世界中的同一个位置。最直接的方法就是“暴力匹配”:计算A中每个点的128维描述子,与B中所有点的描述子之间的距离(比如欧氏距离),距离最小的那个就认为是匹配点。

但这里坑就来了。误匹配无处不在!比如,两扇不同的窗户可能纹理相似,就会被错误地匹配到一起。如果带着大量误匹配进入后续计算,整个重建系统会直接崩溃。所以,我们必须进行严格的“政审”,也就是几何验证。

最常用的“政审”工具是RANSAC(随机抽样一致性) 算法配合八点法。它的思想很巧妙:我不相信所有匹配点都是好的,但我相信,正确的匹配点(内点)之间一定满足某种几何约束(对于两张来自同一刚性场景的照片,这个约束就是基础矩阵F)。RANSAC随机抽取8对匹配点(最少所需数量),计算出一个基础矩阵F,然后看有多少匹配点符合这个F矩阵定义的极线几何关系(即一个点在另一张图上的对应点,应该落在F定义的极线上)。这个过程重复很多次,最后采纳那个支持内点数量最多的F矩阵,并把所有不符合该F矩阵的匹配点当作外点剔除掉。

# 这是一个使用OpenCV进行SIFT特征提取和RANSAC匹配的简化示例
import cv2
import numpy as np

# 读取两张图像
img1 = cv2.imread('image1.jpg', 0)
img2 = cv2.imread('image2.jpg', 0)

# 初始化SIFT检测器
sift = cv2.SIFT_create()

# 计算关键点和描述子
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# 使用BFMatcher进行暴力匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)

# 应用 Lowe's ratio test 进行初步筛选
good_m
基于图像的多视角立体视觉三维重建(三)——基于SfM的稀疏点云重建 三角测量 直接线性变换法  三角测量:已知相机参数和同一个三维点对应多个视角像平面上的匹配点,恢复三维点的坐标(目标是求X的坐标) 已知第i个相机的投影矩阵,其中KiK_{i}Ki​为第 i 个相机的内参矩阵, [pi,ti][p_{i}, t_{i}][pi​,ti​]为外参矩阵: Pi=Ki[Pi,ti]={pi1pi2pi3}(1.1)P_{i}=K_{i}[P_{i}, t_{i}]=\left\{\begin{matrix} p_{i1}\\p_{i2}\\p_{i3} \end{matrix} 阅读详情

相关推荐

【三维重建-算法解析】SfM(Structure from Motion)

几何关系(基础矩阵、本质矩阵、PnP)优化方法(BA)鲁棒性(RANSAC、多视图一致性)它是从二维图像恢复三维结构的核心技术,广泛应用于SLAM、三维建模、无人机测绘、VR/AR等领域。

欢迎来到我的博客~ 1952

使用clomap进行基于图像的三维重建

学习使用colmap进行基于图像的三维重建

qq_44708206的博客 3514

三维重建(十三)——多视角重建

本文综述了多视角三维重建技术,涵盖静态和动态场景的重建方法。介绍了从图像获取到纹理映射的SFM流程,以及非刚性重建(NRSFM)的挑战和解决方案。重点探讨了基于可微渲染的重建方法,以及数据采集策略、相机标定和同步技术。文章还讨论了如何用单视角相机模拟多视角重建,总结了关键技术和未来研究方向。

河海大学研究生在读的学习笔记 1060

Python实现SfM三维重建:从特征匹配到稀疏点云实战

三维重建是计算机视觉的核心方向,旨在从二维图像序列中恢复场景的三维结构。实现这一目标的关键技术之一是SfM(Structure from Motion),它通过多视角几何约束,同时估计相机位姿与场景稀疏点云。其基本原理依赖特征匹配与对极几何,通过本质矩阵或单应矩阵建立图像间关联,并利用PnP和三角化扩增场景覆盖。SfM不仅是三维建模的基础,也是SLAM、NeRF和3DGS等前沿技术的前置依赖,在机器人导航、自动驾驶、数字文化遗产保护中均有广泛应用。然而,实际工程中常遇到误匹配累积、尺度漂移、工具链配置等挑战

weixin_29052717的博客 355

室内三维重建实战:SFM与深度学习结合的全流程拆解

三维重建是计算机视觉的核心方向之一,其中基于运动恢复结构(SFM)的方法无需额外硬件,仅凭多视角图像即可恢复相机位姿与稀疏点云。然而在室内场景中,白墙、玻璃、重复纹理等弱纹理区域常导致特征匹配失败,使重建效果大打折扣。本文从COLMAP稀疏重建出发,深入拆解如何利用多视角几何与深度学习相结合,通过CoarseNet、VisibilityNet、RefineNet三级网络实现从粗到精的深度估计,最终生成稠密点云。这套方法在室内设计、AR导航、机器人巡检等场景具有广泛的应用价值。文章还涵盖了数据采集规范、训练脚

weixin_32678995的博客 312

单目三维重建毕业设计实战:从照片到3D模型的完整实现

三维重建是计算机视觉领域的核心任务,旨在从二维图像恢复三维场景结构。其基本原理基于多视图几何,通过分析不同视角下图像间的对应关系,利用三角测量等技术反算三维点坐标。这项技术在机器人导航、增强现实、数字孪生等领域具有重要价值。传统基于特征点的几何方法,如运动恢复结构,因其成熟稳定、对硬件要求低,成为入门和实践的理想选择。本文聚焦单目三维重建,详细解析了从特征匹配、稀疏重建到稠密点云生成的全流程,并提供了基于OpenCV和Open3D的完整项目源码与调优指南,帮助读者高效完成高质量的毕业设计或工程项目。

weixin_29057163的博客 306

Python单目与双目视觉三维重建:从标定到点云实战

三维重建是计算机视觉的核心技术,通过相机将二维图像还原为三维点云,广泛应用于机器人导航、工业测量和AR/VR。其原理基于相机标定和立体视觉:单目依赖运动恢复结构或深度估计,双目利用视差计算绝对尺度。技术价值在于低成本获取场景几何信息,应用场景包括避障、三维建模和尺寸测量。本文聚焦Python实现,详细讲解单目与双目三维重建的完整链路,涵盖相机标定、立体匹配、点云生成与优化,并分享避坑经验,帮助读者快速上手。

weixin_29054399的博客 231

基于Python与SfM的建筑三维重建与特征识别系统开发实践

计算机视觉中的三维重建技术,旨在从二维图像中恢复物体的三维结构与空间信息。其核心原理基于多视图几何,通过分析同一场景在不同视角下的图像,利用特征点匹配、三角测量和捆集调整等算法,求解相机姿态与三维点坐标。这项技术具有重要的工程价值,能够将海量的二维影像数据转化为可测量、可分析的三维模型,极大地提升了数据利用效率。在智慧城市、数字孪生、建筑测绘、文化遗产保护等应用场景中,三维重建是构建空间数字化底座的关键技术。本文聚焦于建筑领域,详细阐述了如何结合传统SfM(运动恢复结构)方法与深度学习,构建一个从图像预处理

weixin_29038303的博客 304

多目立体引导的NeRF室内三维重建工程实践

NeRF(神经辐射场)是一种基于隐式表示的三维场景建模技术,其核心原理是将空间位置与视角映射为颜色和体密度,通过体渲染实现新视角合成。在真实室内场景中,受限于短基线、低纹理、标定误差等物理约束,纯单目NeRF易出现几何漂移与收敛不稳定;而传统SfM方法又难以应对白墙、镜面等弱纹理区域。多目立体引导的NeRF通过引入可微分相机位姿优化、深度图约束采样与多视角一致性损失,在保持神经拟合能力的同时嵌入几何先验,显著提升重建鲁棒性与mesh可用性。该技术已广泛应用于机器人建图、AR室内定位及数字孪生空间建模等工程场

weixin_32296621的博客 286

SfM稀疏三维点云重建【VS2015+OpenCV3.4+PLC1.8】--完整工程文件

基于SfM实现视觉稀疏三维点云重建,完整的工程文件,内含所需图片,可直接运行。环境:Win10+VS2015+OpenCV3.4+PLC1.8。

MAC M1用户必看:UTM虚拟机安装Win11全流程避坑指南(附驱动下载)

本文为MAC M1用户提供UTM虚拟机安装Win11的完整指南,涵盖镜像准备、驱动优化及性能调优等关键步骤。特别针对TPM 2.0验证、网络连接等常见问题提供解决方案,帮助用户高效运行Windows 11 ARM版。

weixin_29204205的博客 343

Maya ACES工作流程配置(Arnold 及 RedShift 贴图配置规范-还原出SP-Aces流程下贴图正确的效果) PS还原Aces流程下渲染的图

*如果使用SP,项目工程如果新建的时候设置的就是Aces的流程的话,按规范正常导出即可,贴图会带上相对应的后缀,然后贴图导入材质球的时候会根据后缀自动设置相对应的色彩空间;**万一不是,就自己手动设置一下对应的色彩空间即可;然后点击选择当前的或者选择全部导入的贴图,点击右下角后,开始转换;我复制了一下,一个默认没有LUT的效果,然后另外一个是加载2个LUT后的还原效果,和渲染的效果应该是没有区别的,至少我没有看出明显的区别;把需要转换的贴图拖拽到左侧,然后右面选择需要转换到的相对应的色彩空间;...

Yuulily 7999

DOORS需求管理实战:从汽车设计案例看模块化需求拆分技巧

本文通过一个汽车设计实战案例,深入解析了如何利用DOORS进行模块化需求拆分与管理。从捕获原始用户需求到精炼为可追踪的系统需求,再到按子系统(如自动驾驶)进行模块化拆分,文章详细展示了构建需求骨架、建立可追溯性以及实施变更控制的完整流程,帮助团队在复杂系统工程中实现从混沌到秩序的高效协同。

ww90123的博客 246

把 Claude Code 接进 ABAP 世界,vibing-steampunk 到底能做什么

《Vibing Steampunk:AI Agent 与 ABAP 开发的工程化桥梁》摘要 Vibing Steampunk(vsp)是一个连接 AI Agent 与 SAP ABAP 开发环境的开源工具,通过 Model Context Protocol(MCP)将 ABAP 开发能力标准化。它解决了传统 ABAP 开发中 AI 辅助工具的局限性,使 Claude Code 等 AI 编程助手能够直接访问 ADT API,实现代码读写、调试、测试等完整开发流程。该工具采用 Go 语言开发,提供 147 个

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1935

STM32入门教程:自动门控制

通过这个简单的示例,我们展示了如何使用STM32微控制器来实现一个简单的自动门控制系统。如果有物体靠近门口,我们会改变doorState的值,并使用controlServoMotor函数来控制舵机电机的转动。具体的引脚连接可以根据您的具体硬件来定,例如将红外传感器的输出引脚连接到GPIOA_PIN0引脚。同样,具体的引脚连接可以根据您的具体硬件来定,例如将舵机的控制引脚连接到GPIOA_PIN1引脚。首先,我们需要包含必要的库文件和引用。然后,我们需要定义一些函数来处理红外传感器的输入和舵机电机的输出。

m0_75244442的博客 579

YOLOv8与Swin Transformer的完美结合:如何提升目标检测的精度与速度

Swin Transformer(Shifted Window Transformer)是一种新型的视觉Transformer架构,采用了局部窗口(Window)和局部窗口偏移(Shifted Window)的策略,极大减少了计算复杂度,同时保持了全局感知能力。局部窗口注意力:每个窗口内的元素进行自注意力计算,减少计算量。窗口偏移:通过在不同层次引入窗口偏移,增强了全局信息的交互。层级设计:通过堆叠多个层次的模块,逐渐捕捉不同尺度的特征。

shrgegrb的博客 2151

【WRFDA教程】客观分析(OBSGRID)详解

客观分析(OBSGRID)详解

WW、forever的博客 1135

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: 【机器学习】 - 全球主流人脸数据集深度解析与实战应用指南
下一篇: 【计量统计】Stata实战:计量经济学核心公式解析与案例应用
普通网友
博客等级 码龄27年 205粉丝 1502原创
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  | 博主筛选后可见
 
 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