u013042623的博客

ORB-SLAM2源码详解尽管可以用于立体视觉，ORB-SLAM2主要是单目SLAM系统，也就是只有一个相机（摄像头）的系统，主要用于特征识别，自主导航。ORB-SLAM2的硬件传感器也就是这一种，当然也可以加入其它传感器，比如IMU，激光雷达，超声波等。它应用于机器人，无人驾驶，无人机，增强现实AR，这样的产品中。基本来说，ORB-SLAM2还是属于计算机视觉的一个类别。 然而，由相机拍出的照片进行分析用于导航，并不简单，单纯对于以单目RGB相机为传感器的系统来说，需要从平面图像中恢复3D场景，同时既然用于导航地图的构建又比不可少，最后还要评估前述工作的一系列结果。这并不是单一程序或算法能够完成的工作，SLAM更像是一系列软件系统的集成，中间涉及到各种方法和步骤。

基于生物启发的多机器人协同环航和协同猎捕在日常生活中和工作中，我们通常会说，众人拾材火焰高，是的，一个人的力量是有限的，团队的力量是非常巨大的。在自然界中也是如此，如蚂蚁集群合作搬运食物，鱼群围捕其他鱼类等等。而在现如今科技蓬勃发展的时代，仿生学的概念深入人心。于是，这种团队合作的思想便被运用到多机器人协作上，接下来就让Elliot带我们深入了解这种团队合作是怎么运用到机器人上去的。

图像特征的非刚性匹配 一种利用薄板样条函数实现非刚性图像匹配的新方法.该方法是将图像表示成由特征点构成的特征点集,利用薄板样条(TPS)能够将形变清楚地分解为仿射分量和非仿射分量的独特性质,应用TPS函数来表征特征点集之间的非刚性映射,并将TPS映射参数的求解嵌入到确定性退火技术的框架中.

PnP 算法简介 代码解析本期公开课将详细讲述常见的PnP求解算法。PnP求解算法是指通过多对3D与2D匹配点，在已知或者未知相机内参的情况下，利用最小化重投影误差来求解相机外参的算法。PnP求解算法是SLAM前端位姿跟踪部分中常用的算法之一，本次公开课，将详细讲述P3P、DLT、EPnP、UPnP、优化求解等多种常见的PnP求解算法。接下来，让我们一起深入学习PnP算法吧！

TLS安全网络传输协议简介安全传输层协议（TLS）用于在两个通信应用程序之间提供保密性和数据完整性。该协议由两层组成： TLS 记录协议（TLS Record）和 TLS 握手协议（TLS Handshake）。较低的层为 TLS 记录协议，位于某个可靠的传输协议（例如 TCP）上面。

cuda优化代码，CUDA全称Computer Unified Device Architecture（计算机同一设备架构），它的引入为计算机计算速度质的提升提供了可能，从此微型计算机也能有与大型机相当计算的能力。可是不恰当地使用CUDA技术，不仅不会让应用程序获得提升，反而会比普通CPU的计算还要慢。

ORB-LSD-SVO 算法分析详解，说明很详细，一分钟看懂全部算法原理及代码解析 刘浩敏

双目矫正及视差图的计算 立体匹配主要是通过找出每对图像间的对应关系，根据三角测量原理，得到视差图；在获得了视差信息后，根据投影模型很容易地可以得到原始图像的深度信息和三维信息。

由于VIO中，普遍使用的是精度较低的imu，所以其需要一个较为准确的内参数和noise的估计。Noise大家通常使用Allan方差进行估计可以得到较为可信的结果，这里不赘述了。内参数标定比较方便的一个工具就是imu_tk。所以本篇文章主要详细介绍一下imu_tk的算法流程以及使用时的注意事项。

libviso一直以来被称为在视觉里程计(VO)中的老牌开源算法。它通过corner,chessboard两种kernel的响应以及非极大值抑制的方式提取特征，并用sobel算子与原图卷积的结果作为特征点的描述子。在位姿的计算方面，则通过RANSAC迭代的方式，每次迭代随机抽取3个点，根据这三个点，用高斯牛顿法计算出一个RT矩阵，表示两帧图像之间，相机的姿态变换。而位姿的计算也是libviso 中较为抽象的一部分，接下来，本文将在读者已经对立体视觉的基本原理，以及libviso的场景流匹配熟悉的前提下，对这个过程进行详细分析。

3.SVO & LSD_SLAM解析 - 贺一家最近研究机器人自主路径规划，、首页。、专栏平台，上面有很多公开的视频，涵盖多种SLAM技术及其算法的视频、PPT和代码资源，属于公开，转载请注明。

机器视觉系统就是利用机器代替人眼来作各种测量和判断。它是计算科的一个重要分支，它综合了光学、机械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。图像处理和模式识别等技术的快速发展，也大大地推动了机器视觉的发展。

为解决 volumetric fusion 重建时，重建的空间划分成等大小的 voxel，显存消耗太多，难以重建大场景，并且大量 voxel 更新耗费 GPU 资源问题，斯坦福图形学组提出了 voxel hashing 算法（参考文献：”Real-time 3D Reconstruction at Scale using Voxel Hashing”），voxel hashing 只在相机测量到的场景表面划分 voxel，而不是将整个空间都划分成 voxel，从而节省显存。算法用 hash 表的形式存储在场景表面划分的 voxel block（8x8x8 voxels），方便 voxel block 的查询。算法代码开源。InfiniTAM 是对 voxel hashing 的改进，算法速度更快，适合在移动端运行。BunldeFusion mapping 部分 code 和 voxel hashing 是一样的。

实时全局一致的3D重建，使用动态表面重新整合技术实时，高品质，大尺寸场景的3D扫描是混合现实和机器人应用的关键。然而，可扩展性带来了姿态估计漂移的挑战，在累积模型中引入了显着的错误。方法通常需要几个小时的离线处理来全局纠正模型错误。最近的在线方法证明了令人信服的结果，但遭受以下缺点：（1）需要几分钟的时间才能执行在线修正，影响了真正的实时使用; （2）脆弱的帧到帧（或帧到模型）姿态估计导致许多跟踪失败;或（3）仅支持非结构化的基于点的表示，这限制了扫描质量和适用性。我们通过一个新颖的，实时的端对端重建框架来系统地解决这些问题。其核心是强大的姿态估计策略，通过考虑具有高效分层方法的RGB-D输入的完整历史，针对全局摄像机姿态优化每帧。我们消除了对时间跟踪的严重依赖，并且不断地将其定位到全局优化的帧。我们提出了一个可并行化的优化框架，它采用基于稀疏特征和密集几何和光度匹配的对应关系。我们的方法估计全局最优化（即，束调整的姿势）实时，支持从总跟踪故障（即重新定位）恢复的鲁棒跟踪，并实时重新估计3D模型以确保全局一致性;都在一个框架内。我们优于最先进的在线系统，质量与离线方法相同，但速度和扫描速度前所未有。我们的框架导致尽可能简单的扫描，使用方便和高质量的结果。

如何从图像中提取灰度Color currentColor; int r; Bitmap currentBitmap = new Bitmap(picBox.Image); Graphics g = Graphics.FromImage(currentBitmap); for (int w = 0; w < currentBitmap.Width; w++) { for (int h = 0; h < currentBitmap.Height; h++) { currentColor = currentBitmap.GetPixel(w, h); r = (currentColor.R + currentColor.G + currentColor.B) / 3; currentBitmap.SetPixel(w, h, Color.FromArgb(r, r, r)); } } g.DrawImage(currentBitmap, 0, 0); picBox.Image = currentBitmap; g.Dispose();