<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lqql2012的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lqql2012</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lqql2012]]></copyright><item><title><![CDATA[视觉SFM详解及松耦合初始化]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/106453119</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/106453119</guid><author>lqql2012</author><pubDate>Wed, 18 Sep 2024 14:07:29 +0800</pubDate><description><![CDATA[0整体框架





1 数据预处理

camera：

1）提取Harris角点，KLT金字塔光流跟踪相邻帧；2）2 维特征点先矫正为不失真的，然后在通过外点剔除后投影到一个单位球面上；3）去除异常点：先进行F矩阵测试，通过RANSAC去除异常点；4）关键帧选取：1、当前帧相对最近的关键帧的特征平均视差大于一个阈值就为关键帧（因为视差可以根据平移和旋转共同得到，而纯旋转则导致不能三角化成功，所以这一步需要IMU预积分进行补偿）2、当前帧跟踪到的特征点数量小于阈值视为关键帧；
IMU：

1...]]></description><category></category></item><item><title><![CDATA[Quaternion kinematics for ESKF]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/109291045</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/109291045</guid><author>lqql2012</author><pubDate>Wed, 18 Sep 2024 14:06:42 +0800</pubDate><description><![CDATA[1, 四元数常用性质













2 ESKF



2.1 ESKF中常用的变量



    （2.1.0）

需要注意的是，这里定义的旋转的误差状态是local的，在R的右侧，的参考系是局部坐标系。而IMU的gyro给出的测量也是相对于局部坐标系的。这种表达更容易使用IMU的测量

其中：                  （2.1.1）

真实的加速度 at 和 角速度ωt 和 body坐标系下带噪音的IMU测...]]></description><category></category></item><item><title><![CDATA[Real-time Hair Segmentation and Recoloring on Mobile GPUs]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/106978841</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/106978841</guid><author>lqql2012</author><pubDate>Wed, 18 Sep 2024 14:06:05 +0800</pubDate><description><![CDATA[问题：如何在手机端实现 实时、细致、时间连续的 Hair Mask 分割？

首先一个高质量的数据集是关键，

1.1.1 网络输入



为了确保帧间输出的时间连续性，一般使用的LSTM耗时太高，因此输入使用：4 channels (RGB + previous frame mask) → current frame mask

1.1.2 数据增强

为了实现高质量的视频分割效果，除了实现帧到帧的时间连续性之外，我们还需要考虑时间的不连续性，例如突然出现在摄像机视野中的人：因此在使用 previou..]]></description><category></category></item><item><title><![CDATA[移动端语义分割]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/107312589</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/107312589</guid><author>lqql2012</author><pubDate>Wed, 18 Sep 2024 14:05:24 +0800</pubDate><description><![CDATA[1.1 基础模型



1.1.1GhostNet



图1是由ResNet-50中的第一个残差块生成的某些中间特征图的可视化。从图中我们可以看出，这里面有很多特征图是具有高度相似性的（在图中分别用不同的颜色示意），换句话说，就是存在许多的冗余特征图。所以从另一个角度想，我们是不是可以利用一系列的线性变化，以很小的代价生成许多能从原始特征发掘所需信息的“幻影”特整图呢？这个便是整篇文章的核心思想

深度卷积神经网络通常是由大量的卷积块所组成的，导致大量的计算成本。尽管最近的工作，例如Mobile...]]></description><category></category></item><item><title><![CDATA[IMU-Lidar 标定]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/119109463</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/119109463</guid><author>lqql2012</author><pubDate>Wed, 18 Sep 2024 14:04:30 +0800</pubDate><description><![CDATA[配准技术在空间三维建模中具有重要作用，传统的ICP算法存在初始位置要求高、迭代不收敛、计算量大等问题，解析法直接解算出变换参数，无需迭代，计算效率较高。解析法则避免了迭代法的不足之处，旋转矩阵是一种正交矩阵，基于正交矩阵的坐标变换算法是一种传统的解析算法，利用矩阵方程的最小二乘最佳逼近正交解求解过程求解旋转矩阵。但是该方法在求解坐标变换参数时是分步求解，有可能会造成误差累积的出现，影响配准精度。

研究表明，对偶四元数能够同时描述刚体的旋转和平移，在对偶四元数的基础上进行点云配准算法分析能够解决配准参数分步]]></description><category></category></item><item><title><![CDATA[cmake 编译及Debug]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/107868280</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/107868280</guid><author>lqql2012</author><pubDate>Sun, 25 Jun 2023 19:45:40 +0800</pubDate><description><![CDATA[1.1.1undefined reference to ** 问题

以 libSM 的报错为例：

1）首先得明确是什么库出了问题，需要先查找库

查询limSM库安装包名字 ：apt-cache search libSM 第一行为 ： libsm-dev

2）查看libSM.so安装位置

ldconfig -p|grep libSM

输出：


(base) jason:~$ ldconfig -p|grep libSM
	libSM.so.6 (libc6,x86-64) =&gt; /...]]></description><category></category></item><item><title><![CDATA[常识-eigen-opencv-ceres]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/108150388</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/108150388</guid><author>lqql2012</author><pubDate>Sun, 25 Jun 2023 19:44:46 +0800</pubDate><description><![CDATA[1





1）python 中 im.shape 为（高 y，宽 x，通道数），分别对应width ，height

python转c++代码时用的上



2）使用Mat(3, 1, CV_32F, test).clone(); 方式构建的Mat，是垂直保存的，在做矩阵和向量的乘法时，就不用转置了


float test[] = { 1, 2, 3 };
float test22[] = { 2, 4, 6 };

Mat testMat = Mat(3, 1, CV_32F, test)....]]></description><category></category></item><item><title><![CDATA[KF 和 EKF 实践]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/109027219</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/109027219</guid><author>lqql2012</author><pubDate>Sun, 25 Jun 2023 19:41:08 +0800</pubDate><description><![CDATA[KF







2 Extended Kalman Filter



2.1 边缘分布和条件分布

回顾一下高斯分布：



如果原变量为高斯分布，则边缘化和条件概率仍然满足高斯分布



则边缘分布和条件分布的模型：



2.2 KF和EKF





EKF相较于KF，就是把KF的状态转移矩阵和观测矩阵换为关于状态变量的雅可比矩阵



2.2.0 推到卡尔曼滤波

简单理解卡尔曼增益可以视为一种权重，状态估计的协方差矩阵将不停的更新适应，使得估计误差最小，其实相当于一种迭代

...]]></description><category></category></item><item><title><![CDATA[语义分割---边缘优化]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/107361210</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/107361210</guid><author>lqql2012</author><pubDate>Sun, 25 Jun 2023 19:40:18 +0800</pubDate><description><![CDATA[视频分割在移动端的算法进展综述




]]></description><category></category></item><item><title><![CDATA[目标跟踪算法总结]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/78110470</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/78110470</guid><author>lqql2012</author><pubDate>Sun, 25 Jun 2023 19:39:18 +0800</pubDate><description><![CDATA[一 ，运动目标检测算法
1,差图法
1.1 背景差分法（不适用于动态场景）
输入图像和背景模型进行比较，通过判断灰度特征或者直方图统计信息的变化来判断异常情况的发生，其关键在于创建好的背景模板。常用的方法有：直接抽取视频序列中的某一副图像，或者计算多幅图像的平均值作为背景

1.2 时间差法（容易产生空洞现象，得到的边缘不连续）
在连续的图像序列中两帧或者三帧相邻帧间采用基于像素的时间]]></description><category></category></item><item><title><![CDATA[SORT and DeepSORT]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/105895145</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/105895145</guid><author>lqql2012</author><pubDate>Sun, 25 Jun 2023 19:37:56 +0800</pubDate><description><![CDATA[一、基础知识

1.1匈牙利算法和KM算法

Hungarian Algorithm 与 Kuhn-Munkres Algorithm 是用来解决多目标跟踪中的数据关联问题，通过求解二分图的最大匹配问题。所谓二分图就是能集合分成两组，U,V。其中，U上的点不能相互连通，只能连去V中的点，同理，V中的点不能相互连通，只能连去U中的点。

1）匈牙利算法通过递归和回溯来实现分配

1） 2）...]]></description><category></category></item><item><title><![CDATA[神经网络优化思路]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/105850232</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/105850232</guid><author>lqql2012</author><pubDate>Sun, 25 Jun 2023 19:36:22 +0800</pubDate><description><![CDATA[一，通用优化技巧







二，目标检测优化

2.1 如何更好的检测小目标

常用的方法有：

第一种：图像金字塔（不常用），将输入图片放缩成不同比例，将预测结果融合得到最终输出
	第二种：特征融合，融合 Encoder阶段的多尺度特征和Decoder上采样特征以恢复空间分辨率
	第三种：在原始模型的顶端叠加额外的模块，以捕捉像素间长距离信息。例如Dense CRF，或者叠加一些其他的...]]></description><category></category></item><item><title><![CDATA[DSO预备知识]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/106127447</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/106127447</guid><author>lqql2012</author><pubDate>Mon, 18 May 2020 21:35:36 +0800</pubDate><description><![CDATA[1
]]></description><category></category></item><item><title><![CDATA[ssd 详解]]></title><link>https://blog.youkuaiyun.com/lqql2012/article/details/106038731</link><guid>https://blog.youkuaiyun.com/lqql2012/article/details/106038731</guid><author>lqql2012</author><pubDate>Mon, 11 May 2020 22:58:13 +0800</pubDate><description><![CDATA[1.1.1 网络结构



ssd的基础网络和vgg16是一样的不过全连接层换成了conv6+relu+conv7+relu.其后的层称为extra layer以得到更多不同尺寸的feature map. 并且对网络中conv4_3, conv7,conv8_2,conv9_2,conv10_2,conv11_2这六个layer的feature map再做卷积,得到类别和位置信息.
具体操作为：分别用2组3 x 3的卷积核去做卷积,一个负责预测类别,一个负责预测位置.卷积核的个数分别为boxnum x cl]]></description><category></category></item></channel></rss>