- 博客(19)
- 收藏
- 关注
RSS订阅原创 Fisher线性分类（基本原理）
目录基本原理介绍数学描述基本原理介绍 Fisher线性分类器是将nnn维训练样本投影到1维空间上，然后在一维空间进行分类，最关键的参数就是投影方向www。 由于投影方向有很多，如何得到最佳的投影方向呢？，这个投影过程要求满足一个原则，这个原则一句话解释就是：类内离散度越小越好，类间离散度越大越好。 记类内离散度为SwS_wSw，类间离散度为SbS_bSb，整个准则可以描述为：max J=SbSwmax \ J=\frac{S_b}{S_w}max J=SwS
2020-12-23 19:41:15
5807
1
原创 Logistic回归的基本原理(简单介绍)
目录LR回归概率解释 Logistic 回归是一种分类器，功能与贝叶斯分类器，SVM等分类器一致，是用于分类的，而不是进行数据回归的。下面简单介绍下整个LR模型的基本原理，主要有两个核心问题，1是LR如何分类，2是如何得到模型内相应的参数。LR回归 首先介绍sigmoid函数，sigmoid函数可以把任意实数域内的元素映射到(0，1)(0，1)(0，1)之间。表达式如下：y(x)=11+e−x(1)y(x)=\frac{1}{1+e^{-x}}\tag{1}y(x)=1+e−x1(1)
2020-12-18 16:48:18
4887
原创 FAB_MAP算法的理论
目录FAB_MAP算法介绍符号说明理论解释FAB_MAP算法介绍 FAB_MAP是经典的回环检测算法，算法的核心是Chow Liu Tree理论。Chow Liu Tree是特殊的一种图。Chow Liu tree理论的本质是考虑到了各个随机变量的依赖关系。而之前广泛应用的朴素贝叶斯算法是假设随机变量都是独立的。 利用Chow Liu Tree理论来拟合离散概率分布的效果比朴素贝叶斯理论更好。因此，FAM_MAP算法的效果也更好。符号说明 在SLAM系统中，构建map通常是渐进地进
2020-12-08 20:40:38
2240
原创 基础问题：C++中关于指针类型(* &运算符)，一维，二维数组的使用
目录指针类型， & * 运算符号一维数组二维数组C++中有一种特殊的数据类型——指针类型，与之相关的有两个单目操作符， * 和 & 下面着重介绍他们的使用，直接看代码比较清楚。int main(int argc,char* argv[]){ //下面讨论 指针类型，&运算符，*运算符号的用法 int b = 5; //d定义一个整型 int* a; //创建一个整数指针类型的变量a, a中存放的是int类型变量的地址 //指针变量必须初始
2020-12-02 22:44:30
405
原创 从EM算法到高斯混合模型（GMM）与K-means算法（理论分析+仿真分析）
目录：EM算法GMM模型K-means算法EM算法基本问题 首先介绍以下EM算法要解决的基本问题。一句话表述
2020-11-24 17:50:36
678
原创 支持向量机(SVM)算法（线性可分，线性不可分，理论解释+仿真分析）
目录最优超平面线性SVM非线性SVM最优超平面超平面的定义 超平面是二维直线，三维平面到nnn维欧式线性空间的一个推广，在nnn维线性空间中，所有的平面都可以用统一的方程进行表达，即：wTX+b=0w^TX+b=0wTX+b=0 其中，www是超平面的法向量，XXX是满足超平面方程的向量坐标，bbb是一个常数。首先解释超平面方程的形式，然后解释超平面方程的几何意义，最后介绍一些性质。 首先，对于直线y=kx+by=kx+by=kx+b，可以写成[k −1][xy]+b=0
2020-11-10 21:41:25
4821
原创 线性最小均方误差算法（LMSE），最小二乘法（LS）
目录背景正交投影引理LMSE算法LS算法直线拟合背景 对于一个系统，在给予一定的输入，那么通常都会产生相对应的输出。在实际的系统中，这样的输出必然伴随着噪声，这样被噪声污染的输出通常是传感器的输出信号，也叫观测信号 同时，如果系统的模型是清晰的，我们可以通过严格的理论计算来得到真实值，通过作差的方式变把噪声去除了。 然而在实际的系统中，我们对整个系统的物理模型通常是未知的或者有一些参数未知，也可能是模型不准确，某些参数值有一定的偏差。因此，我们为了得到真实的信号，就需要利用观测信
2020-11-05 20:15:22
8024
原创 关于离散傅里叶变换DFT的导出
目录：1.计算机进行数字信号处理的特点2.离散复指数函数的特点3.离散傅里叶级数(DFS)4.离散傅里叶变换(DFT)关于计算机处理数字信号的特点1)计算机只能处理有限长度的信号2)计算机只能处理离散的时域和频域信号3)计算机进行频域分析时，把需要处理的时域信号当作一个周期内的信号离散指数函数基的特点1.ejw0ne^{jw_0n}ejw0n的角频域变换2π2\pi2π后将等于原信号证：ej(w0+2π)n=ejw0nej2π=ejw0ne^{j(w_0+2\pi)n}=e^{jw
2020-10-13 22:06:04
691
原创 视觉SLAM理论——位姿的理解与间接求解
目录：位姿的定义位姿与变换矩阵的区别与联系位姿的求解方法位姿的定义 在SLAM中，位姿是世界坐标系到相机坐标系的变换，包括旋转与平移。根据以上定义可以衍生以下几个问题：1.世界坐标系在哪？通常世界坐标系是自己定义的，一经定义，便不可更改，通常构图所用点的坐标便是世界坐标系下的坐标。2.相机坐标系在哪？相机坐标系是指以相机的光心为原点所构成的坐标系，由于相机是运动的，所以相机坐标系也是运动的。3.如何表达位姿？位姿通常以三维空间中的欧式变换来表示，变换矩阵T最常用，也可以分别用旋转
2020-08-24 16:14:11
13988
6
原创 视觉SLAM前端——直接法
目录直接法介绍单层直接法多次直接法直接法介绍 这里所说的直接法不同于上一篇所说的LK光流法，LK光流是首先要选取特征点，如何利用特征点附近的光流进行路标的追踪与位姿的求解的，其本质还是先得到匹配好的点对，然后利用点对进行位姿估计。而直接法不同，其核心思想是直接优化位姿R,tR,tR,t。直接法也需要两个假设：1.灰度不变假设，即I1(u,v)=I2(u+Δx,v+Δy)I_1(u,v)=I_2(u+\Delta x,v+\Delta y)I1(u,v)=I2(u+Δx,v+Δy)2
2020-07-29 16:34:58
1677
原创 视觉SLAM前端——LK光流法
目录：LK光流介绍单层LK光流多层LK光流LK光流 LK光流是一种描述图像运动的方法，利用LK光流可以实现对图像的追踪，从而求解图像运动的位姿。其基本思想如下：单层光流法求解的基本流程如下：1.特征点的选取2.Gauss-Newton法求解Δx,Δy\Delta x,\Delta yΔx,Δy关于特征点的选取，笔者前面写了一篇文章进行了详细介绍，这里不在赘述。...
2020-07-29 16:33:34
2690
1
原创 视觉SLAM前端（间接法）—— 特殊数据结构与用法
目录Mat 类Point2d/Point3d 类Vector2d/Vector3d 类Sophus::SE3d/SO3d 类Mat类 Mat类是opencv中图像存储矩阵，常常与cv::imread()函数一起使用，注意的是，Mat矩阵不能与Eigen库中的矩阵进行任何数学运算，需要是必须进行转换。Mat类也存放一些固定的参数，如相机内参等等，对Mat类一个最重要操作便是访问矩阵内的元素。 1.利用Mat.ptr访问 cv::Mat image = cv::Mat(400, 600,
2020-07-21 16:18:41
715
原创 视觉SLAM前端（间接法）——位姿求解（g2o）
目录：对极约束PnP问题ICP问题Gauss-Newton法g2o求解最小二乘问题对极约束1.求解基础矩阵/本质矩阵基础矩阵FMat fundamental_matrix; fundamental_matrix = findFundamentalMat(points1, points2, FM_8POINT);注意findFundamentalMat（）函数的参数：参数1，2：points_1；cv类型的中的特征点1，2容器类，像素坐标。参数3：为求解方法，有8点法等等，为一
2020-07-21 16:12:29
1285
原创 视觉SLAM——视觉里程计解决方案分析（间接法）
目录视觉里程计的基本问题各类求解方案优缺点分析基本问题 视觉里程计（VO）是视觉SLAM技术的起点，其核心问题同SLAM技术一样，主要是定位与构图，但视觉里程计解决的核心是定位问题，也就是相机的位姿，虽然在里程计中不之间构图，但求解的数据也是后期构图必须的。 定位问题：机器人在给点起点后，从起点开始运动，运动过程可以描述为摄像头的坐标在起点坐标系下的不断变化，同时摄像头采集图像。 摄像头的运动过程可以用变化矩阵T（4×4），或者旋转矩阵R（3×3）+平移矩阵t（3×1）描述。其中T与
2020-07-20 10:15:20
736
原创 视觉SLAM综述（入门篇）
最近几天刚刚接触到视觉slam这个研究方向，发现这个方向的知识点挺多挺杂的，于是就自己看文献，刷博客，大致对视觉slam有了整体的了解. 这篇博客也算是一个简单的小综述，具体的知识点正在学习之中。目录SLAM的研究背景与研究方法视觉SLAM前端里程计后端优化回环检测构图总结SLAM的研究背景与研究方法研究背景SLAM全称为同步构图与定位，其基本问题可描述为：对于一个带有传感器的机器人，如何在未知环境下，利用传感器获取自身位置与周围环境的地图。随着未来机器人大规模应用，如.
2020-06-29 21:44:05
2475
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人