MyArrow的专栏

1. 视差与深度信息根据双目成像原理，两幅图像摄像机光心位置不同，而且可以看到场景中同一个场景点，则根据此场景点在两幅图像中的#F00图像坐标（Film Coords/Image Plane）之差（Disparity/Parallax）及两摄像机光心之间的距离(Baseline)算出场景点的深度信息获取视差图：双目或运动(Stereo or Motion)基本原理：三角形相似原理 2. 3D世

基于三维骨骼的动作识别1. 简介2. 识别步骤2.1 人体方向归一化1. 简介2. 识别步骤2.1 人体方向归一化由于人体正方向不一定与深度摄像头（如Kinect）平面垂直，则需要对人体进行方向归一化操作使人体“头部”、“左肩”、“右肩”、“颈部”和“臀部中心”五个关节所在平面ppp 与x−yx - yx−y 平面平行，zzz 轴正方向为面向深度摄像头正前方，如下图 所示然后，再以“臀部中心”为原点，以ppp 平面为x−yx - yx−y 平面，zzz 轴方向不变建立人体空间坐标系下图中的旋

基于深度图的位姿估计[2018至今]1. 简介2. A2J回归网络2.1 历史总结2.1.1 先进的非深度学习方案2.1.2 2D深度学习方案2.1.3 3D深度学习方案2.1.3.1 基于3D-CNN1. 简介2. A2J回归网络论文：A2J: Anchor-to-Joint Regression Network for 3D Articulated Pose Estimation from a Single Depth Image （2019）核心思想本着整体学习以增强泛化能力的精神，通过

TensorFlow 2.x 算法基础1. 简介2. 目标检测中的Anchor1. 简介2. 目标检测中的AnchorAnchor概念Anchor字面意思是锚，指固定船的东东，anchor在计算机视觉中有锚点或锚框，目标检测中常出现的anchor box是锚框，表示固定的参考框目标检测目标检测是"在哪里有什么"的任务，在这个任务中，目标的类别不确定、数量不确定、位置不确定、尺度不确定传统方法传统非深度学习方法如VJ和DPM，和早期深度学习方法如OverFeat，都要金字塔多尺

1. CVonline: Image DatabasesIndex by TopicAction DatabasesAgricultureAttribute recognitionAutonomous DrivingBiological/MedicalCamera calibrationFace and Eye/Iris DatabasesFingerprintsGeneral...

1. 平面单应矩阵    平面单应矩阵：就是平面的投影变换矩阵。2. 正面图投影（Frontal Plane）

1. 向量（Vector）      在几乎所有的几何问题中，向量（有时也称矢量）是一个基本点。向量的定义包含方向和一个数（长度）。在二维空间中，一个向量可以用一对x和y来表示。例如由点（1,3）到（5,1的向量可以用(4,-2）来表示。这里大家要特别注意，我这样说并不代表向量定义了起点和终点。向量仅仅定义方向和长度。2. 点乘（Dot Product）/点积/内积

1. 对极几何两个相机在不同位置(实际要求光心位置不同即可)拍摄两张图，这个模型就是对极几何，如下图(摘自《计算机视觉中的多视图几何》)：两摄像机光心分别是C和C'，图像平面是两白色的平面，空间中某一个点X在两张图的投影点分别是x和x'。这样的模型就是对极几何，空间点和两光心组成的平面叫做对极平面。简言之，不同视点拍摄的两个场景满足对极几何关系。2. 单应矩阵(Ho

1. 尺度空间 (Scale Space) 1）在尺度空间中，尺度越大图像就越模糊，尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟目标由远及近人对目标的感知过程。    2）那为什么要讨论尺度空间呢？ 因为在用机器视觉系统分析未知场景时，机器并不知道图像中物体的尺度，只有通过对图像的多尺度描述，才能获得对物体感知的最佳尺度 。如果在不同尺度上，对输入的图像都能检测到相同的

1. 一维正态分布   若随机变量  服从一个位置参数为  、尺度参数为  的概率分布，且其概率密度函数为：       则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作 2. N维空间正太分布    N维空间正太分布方程为：       r为模糊半径。   于是，二维高斯模板上的距离中

1. Bundle Adjustment (BA)    Bundle adjustment优化的是sum of reprojection error(重投影错误之和)，这是一个geometric distance（几何距离），问题可以formulate成一个least squares problem， 如果nosie是gaussian的话，那就是一个maximum likelihood

1. 总览 2. 平移变换 (Translation)3. 尺度变换 (Scale)4. 旋转变换(Rotation)5. 欧几里德/刚体变换 （Euclidean/Rigid） 6. 相似性/按比例欧氏 (Similarity/Scaled Euclidean)7. 仿射变换(Affine)8. 射影变换（Projective）

1. Snapdragon Flight VISLAM-ROS Sample Code

，#1. 用途#1.1 应用领域最优化问题：最小二乘问题 (求取最小二乘解的方法一般使用SVD)统计分析：信号与图像处理求解线性方程组：Ax=0或Ax=bAx = 0 或 Ax =b 奇异值分解：可以降维，同时可以降低数据存储需求1.2 矩阵是什么矩阵是什么取决于应用场景矩阵可以是： 只是一堆数：如果不对这堆数建立一些运算规则 矩阵是一列列向量：如果每一列向量列举了对同一个客观事

1. 框架2. 运算及性质

1. 概述

1. 向量叉积与向量点积的区别注：向量积 ≠向量的积（向量的积一般指点乘）一定要清晰地区分开向量积（矢积）与数量积（标积）。见下表。向量积（矢积）与数量积（标积）的区别　　名称标积 / 内积 / 数量积 / 点积/dot product矢积 / 外积 / 向量积 / 叉积/cross product运算式（a，b和

转自：http://blog.youkuaiyun.com/longxinchen_ml/article/details/516293281基本概念和符号线性代数可以对一组线性方程进行简洁地表示和运算。例如，对于这个方程组:这里有两个方程和两个变量，如果你学过高中代数的话，你肯定知道，可以为x1 和x2找到一组唯一的解 (除非方程可以进一步简化，例如，如果第二个

1. 图像梯度2. 平滑

1. 基本概念2. 数学描述

1. 定义    正交矩阵: Orthogonal Matrix     &space;A^{-1}=A^{T}" target="_blank">&space;A^{-1}=A^{T}" title="A^T A=AA^T =I => A^{-1}=A^{T}" alt="">    2. 特征    1） 所有的列向量都是单位正交向量    2） 所有的行向量都是单位正

1. 定义    对称阵和反对称阵均：必为方阵    1）对称阵：    2）反对称阵：2. 特性3. 应用3.1 特征值分解(Eigenvalue Decomposition)    1）对称矩阵分解： 如果A是实对称矩阵，则A可被分解为：，U是一个正交矩阵，D是一个实对角矩阵(real  diagonal matrix)；

1. 边缘定义2. 简单的边缘检测流程3. Canny边缘检测器

1. 特征值与奇异值的主要区别两者的主要区别在于：奇异值分解主要用于数据矩阵，而特征植分解主要用于方型的相关矩阵。自相关矩阵正定时， 特征值分解是奇异值分解的特例，且实现时相对简单些。2. 定义一矩阵A作用与一向量a，结果只相当与该向量乘以一常数λ。即A*a=λa，则a为该矩阵A的特征向量，λ为该矩阵A的特征值。本征值和本征向量为量子力学术语，对矩阵来讲与特征值和特征向量定义一样。但本征

1. 简介2. 匹配算法2.1 基于相关性的算法

1. 双目简介2. 关键概念

LIBELAS: Library for Efficient Large-scale Stereo MatchingDownload Stereo and Optical Flow codeStereo Matching by Training a Convolutional Neural Network to Compare Image PatchesDeep

1. 基本概念2. 金字塔表示(Pyramid Representations)3. 尺度空间(Scale Space)

1. 概念 2. 导数滤波器3. 拉普拉斯差分

转自：http://sanwen.net/a/gpgtfoo.html主成分分析（Principal components analysis）  -最大方差解释1. 问题     真实的训练数据总是存在各种各样的问题：1、 比如拿到一个汽车的样本，里面既有以“千米/每小时”度量的最大速度特征，也有“英里/小时”的最大速度特征，显然这两个特征有一个多余。