<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[以梦为马]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sduvec</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sduvec]]></copyright><item><title><![CDATA[[立体匹配与深度估计]评估网站与评估方法]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/107177406</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/107177406</guid><author>sduvec</author><pubDate>Tue, 07 Jul 2020 14:11:08 +0800</pubDate><description><![CDATA[评估网站middbury，一直都在，你爱来不来~~~
前几天刚走了一遍流程，记录一下~~
网站：https://vision.middlebury.edu//stereo/
dataset：这里面有几种大小 fullsize， halfsize， quartersize，分别以F H Q结尾来区分。可以观察一下提交结果里面大部分是H 和 Q，fullsize比较大，运行时间比较长，比较不方便。用H和Q来提交结果，最后也会给你插值到fullsize，不过最近有要改回Half的意思。
打包格式 产生的匹配结果要]]></description><category></category></item><item><title><![CDATA[[立体匹配与深度估计] 文献阅读 Cross-Scale Cost Aggregation for Stereo Matching-CVPR2014]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/107097522</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/107097522</guid><author>sduvec</author><pubDate>Tue, 07 Jul 2020 09:51:13 +0800</pubDate><description><![CDATA[看到这篇博客，https://blog.youkuaiyun.com/wsj998689aa/article/details/44411215
去阅读了这篇文章。
文中介绍了3个评测数据库，
一个是KITTI（http://www.cvlibs.net/datasets/kitti/eval_stereo_flow.php?benchmark=stereo），起源于Geiger教授领导的自动驾驶研究小组。Elas算法就是Geiger教授做的成果。网站包含内容比较丰富，双目视觉数据库有2012 和2015 两种，2012]]></description><category></category></item><item><title><![CDATA[PCA学习过程（一、原理）]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/106563301</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/106563301</guid><author>sduvec</author><pubDate>Fri, 05 Jun 2020 09:37:09 +0800</pubDate><description><![CDATA[从SVM过来发现在选择特征的时候需要用到PCA，这样选的特征就有很好的区分度，更容易进行预测工作。
摸索了好几天，其实是拖延了好几天。
终于认为我行了。。写一下理解后的心得
首先膜拜下大神，看一下这个链接
https://zhuanlan.zhihu.com/p/77151308
上面写的很全面了，从基变换到协方差矩阵对角化说的很清楚。
我再捋一遍PCA求解步骤：
设有 m 条 n 维数据。
1、将原始数据按列组成 n 行 m 列矩阵 X；
2、将 X 的每一行进行零均值化，即减去这一行的均值；
3、求出协]]></description><category></category></item><item><title><![CDATA[SVM学习过程（二）-libsvm使用]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/106295046</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/106295046</guid><author>sduvec</author><pubDate>Sat, 23 May 2020 16:25:35 +0800</pubDate><description><![CDATA[libsvm安装好后，推荐阅读guide-A Practical Guide to Support Vector Classification。全英文的，不过还好懂。
阅读Guide
简单来讲，里面说了一些新手开车注意事项。
新手使用libsvm的一般步骤：

把数据转化为libsvm规定的格式
数据缩放
考虑使用RBF 核函数
交叉验证找到最优参数
用最优参数训练数据
预测

数据格式
libsvm工具包使用的数据有特殊的格式。以heart-scale为例来说，每一行是一组数据。第一列是标签，后面是数据。]]></description><category></category></item><item><title><![CDATA[SVM学习过程（一）-libsvm安装]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/106294955</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/106294955</guid><author>sduvec</author><pubDate>Sat, 23 May 2020 08:20:01 +0800</pubDate><description><![CDATA[早就了解过SVM了，一直没深入学，最近用到了，补习了一下，记录下来。
准备工作
matlab python  libsvm都有svm的工具包。
libsvm 台湾的林智仁教授开发的工具包，用c/c++写的，可以在matlab  python 等处使用。
python中有sklearn工具包。
新版本的matlab中也有svm工具箱，svmtrain已经废弃了，可查函数fitcsvm和ClassificationSVM。
然而，本次决定先采用libsvm。
libsvm安装
参考教程：https://blog]]></description><category></category></item><item><title><![CDATA[点地图分布-Python+folium]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/105448568</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/105448568</guid><author>sduvec</author><pubDate>Sat, 11 Apr 2020 11:18:40 +0800</pubDate><description><![CDATA[忽然想做一个小学生班级家庭住址的分布图，为啥这样想也不太清楚，哈：
查阅了一些资料，资料很多，热力图，点分布图等，但是好多软件都是城市分布，北京、上海、深圳啥的。本次是一个小城市里的局部分布，资料不太多。
闲话少叙，最后看中了python，最近也正在学习。
有这么几步吧：
1、安装folium、panda
2、根据地址确定经纬度。
3、读数据显示定位。
下面按步骤来
1、安装两个包，用pip 试过...]]></description><category></category></item><item><title><![CDATA[SVD 分解]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/105158717</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/105158717</guid><author>sduvec</author><pubDate>Sat, 28 Mar 2020 12:04:38 +0800</pubDate><description><![CDATA[SVD分解：Singular Value Decomposition， 记录点滴。
定义
将矩阵A分解为三个矩阵相乘的形式，其中A为m x n的矩阵，U为m x m 的单位正交阵，V为nxn的单位正交阵， Σ为m x n的 对角阵。
A=UΣVT
	A=U\Sigma V^T
A=UΣVT
含义
矩阵的几何意义在于旋转和缩放，U 和 V用来做旋转， Σ用来缩放。
UUT=IUU^T=IUUT=I，...]]></description><category></category></item><item><title><![CDATA[相机标定1——几个函数]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/103814604</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/103814604</guid><author>sduvec</author><pubDate>Fri, 03 Jan 2020 23:07:19 +0800</pubDate><description><![CDATA[相机标定中的几个函数：
双目标定函数
stereoCalibrate
double cv::stereoCalibrate 
(
	InputArrayOfArrays objectPoints, //表示物点坐标，由棋盘格生成的，Z=0.
	InputArrayOfArrays imagePoints1, //相机1中的像点坐标
	InputArrayOfArrays imagePoints2,...]]></description><category></category></item><item><title><![CDATA[树莓派+检测人脸]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/103650817</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/103650817</guid><author>sduvec</author><pubDate>Sun, 22 Dec 2019 20:37:12 +0800</pubDate><description><![CDATA[设备与环境
raspberry 3b
winscp
vnc
检测人脸
级联分类器 cascadeclassifier
级联分类器，即使用类 Haar 特征工作的级联增强分类器，是集成学习的一种特殊情况，称为 boost。它通常依赖于 Adaboost 分类器（以及其他模型，如 Real Adaboost、Gentle Adaboost 或 Logitboost）。
级联分类器在包含检测目标的几百个...]]></description><category></category></item><item><title><![CDATA[树莓派-opencv+摄像头显示]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/103650761</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/103650761</guid><author>sduvec</author><pubDate>Sun, 22 Dec 2019 09:01:12 +0800</pubDate><description><![CDATA[设备
树莓派3b
opencv 2.4.9
python 3.5
usb 摄像头
环境设置
从路由器上查看树莓派的ip。
vnc viewer 远程登陆进入树莓派， 密码raspberry。
lx 终端
vim 编辑程序，注意wq保存。
打开摄像头
import cv2
import numpy as np

cap = cv2.VideoCapture(0)

while(1):

    # ...]]></description><category></category></item><item><title><![CDATA[Opencv4.2.1+Opencv_contrib+vs2017+Win10编译]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/103545627</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/103545627</guid><author>sduvec</author><pubDate>Sun, 15 Dec 2019 07:51:57 +0800</pubDate><description><![CDATA[Opencv4.2.1+vs2017+Win10编译软件准备cmake编译环境设置实验一下
软件准备
准备好vs2017 community， 社区版免费。
下载opencv4.2.1， 到opencv网站下载，免费。
下载opencv_contrib 4.2.1,到github下载，注意版本号，tag。
安装cmake最新版 我的是3.16.1.
cmake编译
源码解压缩 到文件夹下。
把cm...]]></description><category></category></item><item><title><![CDATA[Bumblebee2开发-1安装]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/102737841</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/102737841</guid><author>sduvec</author><pubDate>Tue, 03 Dec 2019 09:31:18 +0800</pubDate><description><![CDATA[Bumblebee2开发-1安装下载Triclops sdk开发环境设置跑一段代码
下载Triclops sdk
缺省安装就好了，记得选对相机的连接方式，我开始用的usb，安装完后设备管理中的1394相机有个黄色的叹号，卸载重装后才能用。记得选用Firwire。
安装完后先欣赏一下demo，看一下照片和pointcloud的效果。漂亮！
开发环境设置
包含目录中添加：C:\Program File...]]></description><category></category></item><item><title><![CDATA[科研小白之SCI论文、EI论文和IEEE论文有什么区别？]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/102450627</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/102450627</guid><author>sduvec</author><pubDate>Wed, 09 Oct 2019 08:17:42 +0800</pubDate><description><![CDATA[SCI(科学引文索引)、EI(工程索引)、ISTP(科技会议录索引) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具,其中以SCI最为重要。这三个两个是检索文摘型数据库。而IEEE可以理解为具体的出版社，IEEE/IET Electronic Library (IEL) 收录IEEE(美国电气和电子工程师协会 )、IET(英国工程技术学会 )两大协会出版的期刊、...]]></description><category></category></item><item><title><![CDATA[计算机视觉经典书单]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/102379582</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/102379582</guid><author>sduvec</author><pubDate>Tue, 08 Oct 2019 13:31:21 +0800</pubDate><description><![CDATA[1. Computer Vision: A Modern Approach
作者：David A. Forsyth,‎ Jean Ponce
出版时间：2003（第一版），2011（第二版）
适合人群：初级到中级学者
推荐指数：★★★★★
主要内容：本书包含了计算机视觉领域众多问题：成像、面向单张图像的早期视觉、面向多张图像的早期视觉、中层视觉问题、高层视觉问题，也包括了相关的视觉应用，如基于图像...]]></description><category></category></item><item><title><![CDATA[vc版本与vs版本对应关系]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/84389679</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/84389679</guid><author>sduvec</author><pubDate>Fri, 23 Nov 2018 14:21:48 +0800</pubDate><description><![CDATA[vc版本与vs版本对应关系如下所示：
Visual Studio 6 ： vc6
Visual Studio 2003 ： vc7
Visual Studio 2005 ： vc8
Visual Studio 2008 ： vc9
Visual Studio 2010 ： vc10
Visual Studio 2012 ： vc11
Visual Studio 2013 ： vc12
Visual...]]></description><category></category></item><item><title><![CDATA[Opencv4.0 发布亮点 2018.11.20]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/84388550</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/84388550</guid><author>sduvec</author><pubDate>Fri, 23 Nov 2018 14:03:58 +0800</pubDate><description><![CDATA[Opencv4.0发布亮点
发布亮点
After almost 3.5 years since groundbreaking 3.0 release, we are glad to present the first stable release in the 4.x line.
发布3.0 release版本已经3.5年了，终于迎来4.0版本。
Release highlights:
OpenC...]]></description><category></category></item><item><title><![CDATA[opencv-contrib编译win10+vs2015+opencv3.4.1]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/82291263</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/82291263</guid><author>sduvec</author><pubDate>Sat, 01 Sep 2018 22:03:25 +0800</pubDate><description><![CDATA[环境win10+vs2015+opencv3.4.1 
编译过程可以在网络上找到很多，https://blog.youkuaiyun.com/ezhchai/article/details/80557936，这个就很好很全。 
一路跟下来编译法线出了好多错误：OVERRIDE没有定义的错误。 
后来才知道opencv-contrib也有版本的，应该和opencv的版本一致才行。这个好多教程没有提到。为后来者鉴...]]></description><category></category></item><item><title><![CDATA[Opencv识别设备ID 打开指定摄像头]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/82056661</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/82056661</guid><author>sduvec</author><pubDate>Sat, 25 Aug 2018 23:43:09 +0800</pubDate><description><![CDATA[Opencv识别设备ID 打开指定摄像头

Opencv中打开摄像头的语句是： 
Videocapture  cap; 
cap.open(index);

Opencv中打开摄像头，当有多个摄像头时，有时候打开的不是想要的那个，因此有必要获得设备列表并选择合适的index。

跟踪源码，到cap_show.cpp中，在1293行发现了 int videoInput::listDevices(bo...]]></description><category></category></item><item><title><![CDATA[标定工具之——Camera Calibration Toolbox for Matlab]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/80609301</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/80609301</guid><author>sduvec</author><pubDate>Thu, 07 Jun 2018 14:51:25 +0800</pubDate><description><![CDATA[Calibration in Matlab

摄像机的标定工具可以是matlab 或opencv，这里说一下使用matlab 标定的过程。 
-工具： matlab calibration toolbox  
可从该链接下载http://www.vision.caltech.edu/bouguetj/calib_doc/index.html 
在此感谢Jean-Yves Bouguet 。 
网页...]]></description><category></category></item><item><title><![CDATA[（转）Opencv Mat矩阵中data、size、depth、elemSize、step等属性的理解]]></title><link>https://blog.youkuaiyun.com/sduvec/article/details/80537932</link><guid>https://blog.youkuaiyun.com/sduvec/article/details/80537932</guid><author>sduvec</author><pubDate>Fri, 01 Jun 2018 15:06:07 +0800</pubDate><description><![CDATA[原文地址：https://blog.youkuaiyun.com/dcrmg/article/details/52294259 
data： 
       uchar类型的指针，指向Mat数据矩阵的首地址。可以理解为标示一个房屋的门牌号； 
dims：  
        Mat矩阵的维度，若Mat是一个二维矩阵，则dims=2，三维则dims=3，大多数情况下处理的都是二维矩阵，是一个平面上的矩阵。 
 ...]]></description><category></category></item></channel></rss>