<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yycsin的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/yycsin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yycsin]]></copyright><item><title><![CDATA[ceres带lapack，带suitesparse的安装]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/106563908</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/106563908</guid><author>yycsin</author><pubDate>Fri, 05 Jun 2020 10:01:32 +0800</pubDate><description><![CDATA[之前编译ceres过一次，只是编译的选项里面没有lapack和suitesparse库，因为这俩库没装好，所以之前不用这俩库是可以编译成功的，另外也是可以正常使用的；

但是，在编译激光slam之Cartographer的时候，发现ceres老是报错，就是涉及到lapack和suitesparse的问题，查了些资料，尝试了几次，终于搞定了；

第一步：安装apt install libblas-dev liblapack-dev libsuitesparse-dev libopenblas-dev；

第二]]></description><category></category></item><item><title><![CDATA[相机标定的思考]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/105860600</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/105860600</guid><author>yycsin</author><pubDate>Thu, 30 Apr 2020 14:12:30 +0800</pubDate><description><![CDATA[对于相机标定，之前没深究一些问题，比如世界坐标X,Y的设置问题，为什么将世界坐标的XY值同时缩放相同的倍数，内参和旋转却没有受任何影响？等等问题。这里做一个记录。

还是拿标准的张正友标定来说：



这个式子很简单了，从世界坐标系到像素坐标系的映射，那我们先考虑下面的那个式子，对于Xw,Yw缩放相同的倍数会怎么样？（至于Zw，因为标定对象是一个平面，所以我们可以认为他的Zw都相等，都设置0...]]></description><category></category></item><item><title><![CDATA[IMU预积分的一些理解]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/105836500</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/105836500</guid><author>yycsin</author><pubDate>Wed, 29 Apr 2020 12:00:40 +0800</pubDate><description><![CDATA[IMU预积分，算是比较简单的一个算法，无奈网上找到的资料都讲的晦涩难懂，看明白了也觉得不过如此。

讲一下我的理解：

整体流程

1. 推导IMU离散运动方程

2. 根据离散运动方程，进行预积分，并将预积分的误差项拆分出来，因为我们在定义误差的时候，有P，V，和R，所以不同的误差其实权重是不一样的，我们需要误差项的协方差矩阵来定义这个权重；

3. 因为（测量值=真实值+误差 当然对于R是乘的...]]></description><category></category></item><item><title><![CDATA[卡尔曼滤波的推导]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/105767634</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/105767634</guid><author>yycsin</author><pubDate>Sun, 26 Apr 2020 14:39:34 +0800</pubDate><description><![CDATA[与尔共勉

1. 状态方程



其中为卡尔曼滤波估计值，也就是我们的目的值，我们要估计的也就是这个值了

为由K时刻得到K+1时刻的值，为系统的输入乘上一个系数；

A为转移矩阵，为噪声，服从

2. 测量方程



为测量误差，其服从正态分布，H为测量矩阵

3. 误差定义

这里为真实值，为卡尔曼估计值，我们定义这个误差的目的，也就是滤波算法的目的，就是使该误差最小；

所以，我们需要求，使...]]></description><category></category></item><item><title><![CDATA[SLAM公开数据集]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/105574215</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/105574215</guid><author>yycsin</author><pubDate>Fri, 17 Apr 2020 10:16:17 +0800</pubDate><description><![CDATA[目前泡泡机器人的百度云盘上已经收集了大量的SLAM公开数据集，其中包括（后面附上了数据集的下载链接）：
TUM
链接：https://pan.baidu.com/s/1nwXtGqH 密码：lsgr
KITTI
链接：https://pan.baidu.com/s/1htFmXDE 密码：uu20
DSO
链接：https://pan.baidu.com/s/1eSRmeZK 密码：6x5b
Mo...]]></description><category></category></item><item><title><![CDATA[slam十四讲(第二版）之最后一讲-小型的salm系统代码分析]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/105532162</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/105532162</guid><author>yycsin</author><pubDate>Wed, 15 Apr 2020 12:23:28 +0800</pubDate><description><![CDATA[slam十四讲之最后一讲-小型的salm系统代码分析
Vslam是slam十四讲里面，最后一讲，一个简单的slam系统
本来slam十四讲第一版是放在中间一章的，后面第二版就放在最后一章节了，在系统规模上不但包含前端的VO，也包含后端的一些优化，所以这种方式感觉应该更合理一些。不但考虑到了如何实现VO，也展示了后端优化的一些方法。
代码结构
首先代码结构，包括visualOdometry是一个主函...]]></description><category></category></item><item><title><![CDATA[SLAM中单目稠密重建的数据集]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/105485298</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/105485298</guid><author>yycsin</author><pubDate>Mon, 13 Apr 2020 11:48:34 +0800</pubDate><description><![CDATA[我也是无语了，网上那么多数据集竟然通过优快云下载还要积分，也是醉了
remode_test_data.zip
用于单目稠密重建的数据集，有需要的可以下载，百度云，方便大家使用
链接：https://pan.baidu.com/s/1CuVT7354QH7rC6e_zw0xgA
提取码：pcxz

...]]></description><category></category></item><item><title><![CDATA[MTCNN+CRNN解决车牌识别问题-2]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/103896040</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/103896040</guid><author>yycsin</author><pubDate>Wed, 08 Jan 2020 18:42:03 +0800</pubDate><description><![CDATA[这次到CRNN部分了，CRNN网络很简单，就是CNN+RNN，因为RNN适用于时间序列类型的数据，车牌呢，其实也是有规律的，比如第一位是汉字，后面是字母+汉字；

前一部分通过MTCNN将车牌区域已经定位了，那这部分就需要拿CRNN来对其进行训练，使其能作为一个pipeline处理MTCNN输出的车牌图像；

首先是CNN+RNN的网络，这里使用的网络比较简单，CNN部分使用了浅层网络和BN层，最...]]></description><category></category></item><item><title><![CDATA[MTCNN+CRNN解决车牌识别问题]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/103876971</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/103876971</guid><author>yycsin</author><pubDate>Tue, 07 Jan 2020 17:54:06 +0800</pubDate><description><![CDATA[MTCNN部分

1. MTCNN理解

  MTCNN是用在人脸识别中的人脸定位领域，使用MTCNN取得了比较好的效果，目前在人脸识别中的人脸定位阶段，很多都是使用MTCNN来完成的；

  MTCNN一共有3个模型，分别为PNet，RNet，ONet；三个模型就意味着我们要训练三次，事实上也的确如此；训练过程在第三部分讲。

  我们使用的训练数据不是整幅原始图像，而是从原图片抠出...]]></description><category></category></item><item><title><![CDATA[TensorFlow版本MTCNN解析]]></title><link>https://blog.youkuaiyun.com/yycsin/article/details/103817573</link><guid>https://blog.youkuaiyun.com/yycsin/article/details/103817573</guid><author>yycsin</author><pubDate>Fri, 03 Jan 2020 11:29:22 +0800</pubDate><description><![CDATA[TensorFlow版本MTCNN解析整体架构样本生成部分三个模型的训练部分推理部分在训练时候为什么用小图片，而不用全图？会不会遗漏掉某些人脸?
整体架构
针对这篇文章的读者，默认为是已经对MTCNN有了基本了解的，若对MTCNN还未了解的，可自行了解。
分为几个部分：

样本生成部分
三个模型的训练部分
推理测试部分

样本生成部分

PNet的样本生成
根据GT数据，生成正样本，已经中间样本；...]]></description><category></category></item></channel></rss>