yohnyang的博客

三维空间中点、线、面的关系

计算三维点集的外接长方体及IOU

PCL笔记二 之VS环境配置（不同版本Debug+Release编译）

工业相机+镜头选型及靶面、焦距计算等相关详解

Opencv特征检测之ORB算法原理及应用详解

相机标定原理推理

三维重建（10）之立体匹配算法详解：BM、SGBM

C++ - Opencv模板匹配与块匹配

视觉SLAM笔记五之详解对极几何：对极约束、本质矩阵、单应矩阵

视觉SLAM笔记四之单目稠密重建

视觉SLAM框架解读

三维重建笔记_相机标定(相机矩阵求解)基本概念汇总

pcl使用笔记

对空间三维点集进行圆拟合

视觉SLAM框架及数学描述

一个关于角点提取及排序的小尝试，C++ opencv

1.1.1 齐次坐标二维齐次坐标变换矩阵：三维齐次坐标变换矩阵：1.1.2 刚体变换表示形式：1.欧拉角表示法：2.四元数表示法（不做介绍）标定方法在此不做介绍啦，主要标定如下参数：具体如下：方法一：方法二：.........

双目视觉系统设计及误差分析参考：双目视觉系统标定方法的研究 – 殷文茜下边建立汇聚式双目立体视觉系统的理论误差模型参考：基于双目视觉的曲面条形码图像采集装置设计 – 智少宇工业相机举例：.................................

双目视觉标定程序讲解 #include "opencv2/calib3d/calib3d.hpp"#include "opencv2/highgui/highgui.hpp"#include "opencv2/imgproc/imgproc.hpp"#include <vecto...

1.initUndistortRectifyMap()void cv::initUndistortRectifyMap(InputArray cameraMatrix,InputArray distCoeffs,InputArray R,InputArray newCameraMatrix,Size size,int m1type,OutputArray map1,OutputArray map2 ) Python:cv.initUndistortRectifyMap(

三角测量计算三维坐标注：三角测量须在双目相机进行立体匹配之后进行计算，针对极线校正后图像关于极线校正可以参考我的上篇博文：相机成像+单应性变换+相机标定+立体校正下图为立体校正后的成像平面布局：1.视差测距法：根据三角形相似原理得出深度z相机坐标、世界坐标、图像坐标之间的变换关系：算法实现具体原理：极线校正（立体校正）后获得相机在新坐标系下的投影矩阵QstereoRectify(camera.cameraMatrix1, camera.distCoeffts1, camera.ca

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

多个角度扫描同一个物体时，通常会在物体上或者其他固定支架上粘贴圆形标志点来辅助进行拼接，通过计算两个角度下的标志点三维坐标，建立对应点关系，利用SVD求解旋转平移矩阵。在三维重建之前，需要在二维图像上提取标志点中心坐标，本文讲解一种利用梯度提取粗轮廓，然后进行亚像素获取，连接轮廓，椭圆拟合得到中心点的方法。本文所述亚像素轮廓提取方法来自于参考文献[1]，关于论文的详解其他博文中也有讲述，本文着重是利用该方法实现全流程的标志点中心提取。使用黑色背景白色前景的圆形标志点如图1所示，在图像上会表现出强烈的对比反差

接着上一篇基于生长的棋盘格角点检测方法–（2）代码详解（上），来看一下第二个重要函数chessboardsFromCorners。 该函数的目的是用上一步骤中找到的角点恢复出棋盘结构。首先初始化一个3x3的角点矩阵，也就是一个 2x2的棋盘格，这是组成一个棋盘的最小单位了。然后利用...

SVD求解三维点集之间的变换矩阵针对三维重建中的多点空间变换关系，通过最小二乘+SVD分解方法求解变换矩阵，即旋转+平移，旋转可能是绕x、y、z旋转不同角度的结果，常被应用于机械臂控制、三维重建、场景建模等方面。参考-- 视觉SLAM十四讲：1.假设有一组配对好的3D点：这个问题可以用迭代最近点(Iterative Closest Point,ICP）求解，主要有两种方式：SVD、非线性优化的方式2.SVD方法建模：2.1 首先，定义第 i 对匹配点的误差项：2.2 将重点定为旋转矩

1.立体相机三位重建一般步骤：基于图像的三维点云重建：相机标定->立体（极线)校正->特征匹配->获取匹配点对->生成点云->点云拟合基于深度相机（RGB-D）的三维重建：相机标定->RGB与深度图标定->目标分割->点云重建2.立体校正作为三维重建过程中不可或缺的一步，目前Opencv仅支持实现图像的立体校正，而多数在目标检测情况下需要实现点到点的映射关系，所以尝试借助Opencv的remap实现了任意一组点的极线校正Opencv极线

1、SIFTcv::xfeatures2d::SIFT::create( int nfeatures = 0, int nOctaveLayers = 3, double constrastThreshold = 0.04, double edgeThreshold = 10, double sigma = 1.5 )（1）nfeatures，保留的最佳特性的数量。特征按其得分进行排序(以SIFT算法作为局部对比度进行测量)；（2）nOctavelLayers，高斯金字塔最小层级数，

1.相机模型参考：智能机器人目标抓取关键技术研究–谢心如 哈尔滨工程大学 博士论文小孔成像，直接上图：建立相机坐标系和图像像素坐标系来描述空间坐标和图像坐标的关系。相机坐标系以相机的光轴中心点为原点，以光轴方向为 Z 轴，图像的像素坐标用二维坐标表示，成像平面与光轴交点对应的图像坐标记为(u0,v0) 。在相机坐标系下，空间中的点 P和对应的图像像素坐标(u，v) 之间的关系为：理想的小孔模型中不考虑相机镜头的畸变，实际上由于制造和组装原因，相机镜头在成像时产生畸变。常用的畸变模型为

1.状态估计问题1.最大后验与最大似然经典的SLAM模型由一个状态方程和一个运动方程构成，如下：

参考：1.机器人手眼标定 https://zhuanlan.zhihu.com/p/765786912.使用最小二乘法+SVD分解 求空间点集的变换矩阵–数学原理3.Ax=0超定方程的最小二乘解（基于OpenCV、基于Eigen的SVD分解）4.RANSAC、最小二乘法、DLT5.RANDAC 随机抽样一致性应用–直线拟合6.C++Eigen库矩阵常见操作.........

1.参考：VS2017配置PCL1.9（win10环境）：https://blog.youkuaiyun.com/weixin_41991128/article/details/838647132..lib名字批量生成1.打开路径所在盘 d:2.cd到具体文件夹下3.输入： dir /s /b > 0.txt4.在文件夹中将会创建0.txt，其中保存了.ilb的所有绝对路径==》生成所有.lib文件名：3..lib与 d.lib筛选–matlab实现data=importdata('li