tmiger的博客

原创 视觉SLAM14讲第 5 讲相机与图像

在 RGB-D 相机的深度图中，记录了各个像素离相机的距离，通常是毫米为单位，而 RGB-D 相机的量程通常在十几米范围左右，超过了 255 的最大值范围。平面上的任意一点 p笛卡尔坐标表示为 [x，y]T , 极坐标的形式[r，θ]T ，其中 r 表示点 p 离坐标系原点的距离， θ表示和水平轴的夹角。透镜的加入对成像过程中光线的传播会产生新的影响: 一是透镜自身的形状对光线传播的影响，二是在机械组装过程中，透镜和成像平面不可能完全平行，这也会使得光线穿过透镜投影到成像面时的位置发生变化。

原创 视觉SLAM14讲第 3 讲三维空间刚体运动

由于三维向量描述三自由度的旋转会带来奇异性，想要无奇异性地表达，用三个量是不够的。复数集 C 表示复平面上的向量，而复数的乘法表示复平面上的旋转。四元数（Quaternion）：用类似于复数的代数来表达三维空间旋转，既是紧凑的，也没有奇异性。一个四元数 q 拥有一个实部和三个虚部：其中 i，j，k 为四元数的三个虚部。这三个虚部满足：也可用一个标量和一个向量来表达四元数：s 称为四元数的实部，而 v 称为它的虚部。如果一个四元数虚部为 0，称之为实四元数。反之，若它的实部为 0，称之为虚四元数。

原创 视觉SLAM十四讲第 2 讲 初识 SLAM

它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。后端优化要考虑的问题，就是如何从这些带有噪声的数据中，估计整个系统的状态，以及这个状态估计的不确定性有多大——称为最大后验概率估计（Maximum-a-Posteriori，MAP）。例如选择一部分有代表意义的东西，称为路标（Landmark），一张稀疏地图就是由路标组成的地图，不是路标的部分就可以忽略。拓扑地图是一个由节点和边组成的图（Graph），只考虑节点间的连通性，不擅长表达具有复杂结构的地图。

原创 预测数值型数据：回归

回归的目的是预测数值型的目标值。具体的做法是用回归系数乘以输入值，再将结果全部加在一起，就得到了预测值。回归，一般都是指线性回归，线性回归意味着可以将输入项分别乘以一些常量，再将结果加起来得到输出。(3) 分析数据：绘出数据的可视化二维图将有助于对数据做出理解和分析，在采用缩减法。(6) 使用算法：使用回归，可以在给定输入的时候预测出一个数值，这是对分类方法的提。(5) 测试算法：使用R2或者预测值和数据的拟合度，来分析模型的效果。(2) 准备数据：回归需要数值型数据，标称型数据将被转成二值型数据。

原创 利用AdaBoost元算法提高分类性能

模型的精度，即模型预测正确的个数/样本的总个数正确率，阳性预测值，在模型预测为正类的样本中，真正的正样本所占的比例。伪发现率，也是错误发现率，表示在模型预测为正类的样本中，真正的负类的样本所占的比例错误遗漏率，表示在模型预测为负类的样本中，真正的正类所占的比例。即评价模型"遗漏"掉的正类的多少。阴性预测值，在模型预测为负类的样本中，真正为负类的样本所占的比例。召回率，真正类率，表示的是，模型预测为正类的样本的数量，占总的正类样本数量的比值。

原创 支持向量机SVM

支持向量机优点：泛化错误率低，计算开销不大，结果易解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。适用数据类型：数值型和标称型数据。线性可分：两组数据分隔得足够开，很容易就可以在图中画出一条直线将两组数据点分开。分隔超平面：将数据集分隔开来的直线称为分隔超平面，也就是分类的决策边界。构建分类器：如果数据点离决策边界越远，那么其最后的预测结果也就越可信。我们找到离分隔超平面最近的点，确保它们离分隔面的距离尽可能远。这里点到分隔面的距离称为间隔。

原创 Logistic回归

Logistic回归分类器：在每个特征上都乘以一个回归系数，然后把所有的结果值相加，将这个总和代入Sigmoid函数中，进而得到一个范围在0~1之间的数值。梯度上升法基于的思想是：要找到某函数的最大值，最好的方法是沿着该函数的梯度方向探寻。回归：有一些数据点，我们利用一条直线对这些点进行拟合(该线称为最佳拟合直线)，这个拟合过程就称回归。采用向量的写法，向量x是分类器的输入数据，向量w也就是我们要找到的最佳参数（系数）(4) 训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数。

原创 基于概率论的分类方法：朴素贝叶斯

P(A|B)称为"后验概率"（Posterior probability），即在B事件发生之后，对A事件概率的重新评估。P(B|A)/P(B)称为"可能性函数"（Likelyhood），调整因子，使得预估概率更接近真实概率。A，B相互独立，事件B发生的情况下，事件A发生的概率就是P(A∩B)除以P(B)如果P(c1|x, y) > P(c2|x, y)，那么属于类别c1；如果P(c1|x, y) < P(c2|x, y)，那么属于类别c2。如果p2(x, y) > p1(x, y)，那么属于类别2。

原创 决策树简介

工作原理：得到原始数据集，基于最好的属性值划分数据集，第一次划分后，再次划分数据。优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。对每个特征划分数据集的结果计算一次信息熵，判断按照哪个特征划分数据集是最好的划分方式。信息增益：在划分数据集之前之后信息发生的变化，获得信息增益最高的特征就是最好的选择。组织杂乱无章数据的一种方法就是使用信息论度量信息，信息论是量化处理信息的分支科学。递归结束的条件：划分数据集所有属性，或者每个分支下的所有实例都具有相同的分类。

原创 k-近邻算法

工作原理：存在一个样本数据集合（训练样本集），并且样本集中每个数据都存在标签，即知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。(6) 使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k-近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。

原创 机器学习基础

要预测目标变量的值，则可以选择监督学习算法，然后进一步确定目标变量类型，如果目标变量是离散型，如是/否、1/2/3、A/B/C或者红/黄/黑等，则可以选择分类算法；数据的特性：特征值是离散型变量还是连续型变量，特征值中是否存在缺失的值，何种原因造成缺失值，数据中是否存在异常值，某个特征发生的频率如何等。目标变量是机器学习算法的预测结果，训练样本集必须确定知道目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。知识表示可以采用规则集的形式，可以采用概率分布的形式，也可以是训练样本集中的一个实例。

原创 #define定义宏和函数对比

原创 sizeof整型数组，sizeof字符数组，strlen

strlen：字符串长度，计算到\0之前出现的字符串长度。sizeof：数据所占内存空间大小。1.sizeof整型数组。2.sizeof字符数组。3.strlen字符数组。关注指针运算，指针类型。

原创 【无标题】

/pf解引用访问4个字节，pf+1也跳过4个字节，但是int*和float*不能通用。//pi解引用访问4个字节，pi+1跳过4个字节。//如果是char*的指针，解引用访问1个字节，+1跳过1个字节。//如果是int*的指针，解引用访问4个字节，+1跳过4个字节。//1.指针类型决定了指针在被解引用的时候访问几个字节。//2.指针类型决定了指针在+-1的时候，跳过几个字节。//口语说指针实际上是指针变量，是用来存放地址的变量。//野指针：指针指向的位置不可知。

原创 数组名表示首元素的地址的2个例外

原创 冒泡排序与选择排序

void bubble_sort(int arr[], int sz)//地址应该用指针接收，这里arr本质是指针变量，传递arr首元素地址。t = arr[i];

原创 九九乘法表

/%-2d左对齐；

原创 sizeof, strlen对比