「小秋SLAM笔记」

文章目录VINS-mono的鱼眼相机模型Unified Camera ModelVINS-mono的鱼眼相机模型Unified Camera Model

https://www.valgrind.org/docs/download_docs.htmltar xvf valgrind-3.12.0.tar.bz2cd valgrind-3.12.0./configure --prefix=/usr/local/valgrindmakemake install

#include <iostream>using namespace std;int main() { int array[3] = {5, 8, 6}; for (int i = 0; i < 3 - 1; i++) { cout << "i " << i << endl; for (int j = 0; j < 3 - i - 1; j++) { cout <

import matplotlib.pyplot as pltimport numpy as npeu_path = "./mi.txt"kb_path = "./mi.txt"id_eucm = []z_eucm = []with open(eu_path, "r") as f: for line in f.readlines(): id_eucm.append(float(line.split( )[0])) z_eucm.append(floa

mvLevelSigma2; // 图像缩放倍数的平方// Check reprojection error in second keyframeconst float sigmaSquare2 = pKF2->mvLevelSigma2[kp2.octave];if((errX2*errX2+errY2*errY2)>5.991*sigmaSquare2)

#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <opencv2/stitching.hpp>#include "windows.h"using namespace std;using namespace cv.

文章目录DATA.hMyCanny.hMyCanny.cppexample.cppDATA.h#ifndef DATA_#define DATA_#include <vector>#include<deque>#include"memory.h"using namespace std;typedef unsigned char PIXUC1;typedef float PIXFC1;//单通道 类型图像template<class PIXVA

// I added a boolean to check if it is already initializedif (image_analyze == CMDTYPE_START){ // use boolean to avoid re-initializing subscriber. if (already_started_ == false){ already_started_ = true; camera_track_sub_ = it_.subscribeCamer

文章目录g2o源码结构图g2o的线性求解器g2o的块求解器g2o的solver求解器g2o的SparseOptimizer稀疏优化器第六讲g2o_curve_fitting初始化BlockSolver第七讲pose_estimation_3d2d初始化BlockSolver第七讲pose_estimation_3d3d初始化BlockSolverg2o源码中顶点(优化变量)的定义自定义顶点第六讲g2o_curve_fitting自定义顶点第七讲代码 pose_estimation_3d2d.cpp自定义顶点

总结感觉这是个精简版的ORB_SLAM2，麻雀虽小，五脏俱全，主要还是前后两帧之间用3D-2D求解Rt，跑代码的时候请注意编译文件中我指定第三方库的路径，理解方面要关注主线忽略细节visual_odometry.cpp代码详细注释#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <opencv2/calib3d/calib3d.hpp>#i.

cv::Ptr<cv::FeatureDetector> detector = cv::ORB::create();detector->detect ( image_1,key_points_cv_orb_fast_1 );cv::Ptr<cv::DescriptorExtractor> descriptor = cv::ORB::create();descriptor->compute ( image_1, key_points_cv_orb_fast_1, d

问图中红点的坐标是？ （2，1） 还是 （1，2）？答案是（2，1）！为什么？ 看清了 我问的是坐标！！那么（2，1） 和 （1，2）究竟有什么不同？（2，1）表示的是红点的坐标，就是红点的 x 坐标是 2， y 坐标是 1。（1，2）表示的是红点的行和列，就是红点的行是1，列是2，也就是红点在第 1 行，第 2 列。这下子我相信大家都明白这两者的区别了吧srcImage.at(j, i)srcImage.at(Point(j, i))opencv灰度图at(i, j)显示不出来–乱码.

今天看到mvuRight = vector<float>(N,-1);这段代码不理解于是开始百度把它干掉。先来说一下vector声明及初始化vector< int > a; //声明一个int型向量avector< int > a(10); //声明一个初始大小为10的向量vector< int > a(10, 1); //声明一个初始大小为10且初始值都为1的向量 vector< int > b(a);

一直被这个const和&所困扰，今天终于忍受不了了，于是开始各种百度。首先说一下 const修饰函数参数按值传递：传给形参的是实参的副本，即使形参在函数体内改变了，实参也不会受到影响。void fun(const int i){ i = 10; // 按值传递,报错： assignment of read-only parameter }void ComputeImageBounds(const cv::Mat &imLeft);再来说一下&不加引用的话，i

一直不理解像素怎么读取以及图形化是什么样子的，今天填坑了！#include <iostream>#include <fstream>#include <list>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/opencv.hpp>using namespace cv;using name

sudo apt-get install libgstreamer1.0-dev

sudo apt-get install build-essential libgtk-3-dev

dropout取平均的作用： 先回到正常的模型（没有dropout），我们用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果，此时我们可以采用 “5个结果取均值”或者“多数取胜的投票策略”去决定最终结果。（例如 3个网络判断结果为数字9,那么很有可能真正的结果就是数字9，其它两个网络给出了错误结果）。这种“综合起来取平均”的策略通常可以有效防止过拟合问题。因为不同的网络可能产生不同的过拟合，取平均则有可能让一些“相反的”拟合互相抵消。dropout掉不同的隐藏神经元就类似在训练不同的网

RCNNRCNN算法分为4个步骤候选区域： Selective Search生成1K~2K个候选区域特征提取： CNN网络提取候选区域特征类别判断： SVM分类候选区域位置精修： 回归器修正候选区域框位置

cv::goodFeaturesToTrack() void cv::goodFeaturesToTrack( cv::InputArray image, // 输入图像（CV_8UC1 CV_32FC1） cv::OutputArray corners, // 输出角点vector int maxCorners, // 最大角点数目 double qualityLevel, // 质量水平系数（小于1.0的正数，一般在0.01-0.1之间） double minDistance, /

https://blog.csdn.net/wangxiaokun671903/category_2358341.htmlhttps://blog.csdn.net/rs_lys/article/details/83268491https://blog.csdn.net/u013000248/article/details/85325136等待补充代码

#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>using namespace cv;using namespace std;bool MultiChannelBlending();int main(){ MultiChannelBlending(); return 0;}// 描述：多通道混合的实现函数bool MultiChannelBlending(){

#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>using namespace cv;using namespace std;bool ROI_AddImage();bool LinearBlending();bool ROI_LinearBlending();int main(){ ROI_AddImage( ); LinearBlending( ); ROI

#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>using namespace std;using namespace cv;void colorReduce(Mat& inputImage, Mat& outputImage, int div);int main( ){ Mat srcImage = imread("../11.jpg"); ..

//---------------------------------【头文件、命名空间包含部分】----------------------------// 描述：包含程序所使用的头文件和命名空间//------------------------------------------------------------------------------------------------#include <opencv2/core/core.hpp>#inclu..

//---------------------------------【头文件、命名空间包含部分】---------------------------// 描述：包含程序所使用的头文件和命名空间//-----------------------------------------------------------------------------------------------#include "opencv2/core/core.hpp"#include <io.

//---------------------------------【头文件、命名空间包含部分】-----------------------------// 描述：包含程序所使用的头文件和命名空间//-------------------------------------------------------------------------------------------------#include <opencv2/opencv.hpp>using namespace c

//---------------------------------【头文件、命名空间包含部分】-------------------------------// 描述：包含程序所使用的头文件和命名空间//-------------------------------------------------------------------------------------------------#include <opencv2/opencv.hpp>#include <o.

#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>using namespace cv;int main( ){ //-----------------------------------【二、初级图像混合】-------------------------------------- // 描述：二、初级图像混合 //---------------------.

#include <opencv2/opencv.hpp> //头文件#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>using namespace cv; //包含cv命名空间void createAlphaMat(Mat &mat){ for(int i = 0; i < mat.rows; ++i) { for..

#include <opencv2/opencv.hpp> //头文件#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>using namespace cv; //包含cv命名空间int main( ){ //【1】读入视频 VideoCapture capture("../1.avi"); //【2】循环显示每一帧 whil

#include <opencv2/opencv.hpp> //头文件#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>using namespace cv; //包含cv命名空间int main( ){ //【1】读入视频 VideoCapture capture("../1.avi"); //【2】循环显示每一帧 whil

#include <opencv2/opencv.hpp> //头文件#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>using namespace cv; //包含cv命名空间int main( ){ // 【1】读入一张图片，载入图像 Mat srcImage = imread("../1.jpg"); // 【2】显示载入..

#include <opencv2/opencv.hpp> //头文件#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>using namespace cv; //包含cv命名空间int main( ){ // 【1】读入一张图片，载入图像 Mat srcImage = imread("../1.jpg"); // 【2】显示载入..

#include <opencv2/opencv.hpp> //头文件#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>using namespace cv; //包含cv命名空间int main( ){ // 【1】读入一张图片，载入图像 Mat srcImage = imread("../1.jpg"); // 【2】显示载入的图.

源码详解解读allKeypoints.resize(nlevels)

std::size_t 可以存放下理论上可能存在的对象的最大大小，该对象可以是任何类型，包括数组。大小无法以 std::size_t 表示的类型是非良构的。 (C++14 起)在许多平台上（使用分段寻址的系统除外），std::size_t 可以存放下任何非成员的指针，此时可以视作其与 std::uintptr_t 同义。std::size_t 通常被用于数组索引和循环计数。使用其它类型来进行数组索引操作的程序可能会在某些情况下出错，例如在 64 位系统中使用 unsigned int 进行索引时，如果索引

问题描述对象的内存中包含了成员变量，不同的对象占用不同的内存，这使得不同对象的成员变量相互独立，它们的值不受其他对象的影响。例如有两个相同类型的对象 a、b，它们都有一个成员变量 m_name，那么修改 a.m_name 的值不会影响 b.m_name 的值。可是有时候我们希望在多个对象之间共享数据，对象 a 改变了某份数据后对象 b 可以检测到，共享数据的典型使用场景是计数。解决方案在C++中，使用静态成员变量来实现多个对象共享数据的目标。静态成员变量是一种特殊的成员变量，它被关键字static修

C++ 前置声明问题两个类A、B相互调用，在两个类A和B的头文件中 #include 了所需的头文件，编译报错。为什么呢，A需要B，B需要A，形成了循环，违反了程序的确定性原则。原因在于：class BBB；这种方式仅仅是一种符号声明，告诉编译器存在BBB这个类，不会去确定BBB这个类的所占资源（内存）大小和这个类的实现。解决在AAA.h中定义的是BBB的指针变量或引用变量，而不是普通的BBB变量，这是因为定义指针变量或引用变量，编译器只需给该变量分配4字节(32位程序)内存，而不用管BBB对象

文章目录运行结果源码解读编译文件运行结果源码解读#include <opencv2/opencv.hpp>#include <string>using namespace std;int main() { /********************** * 读取相机内参数和畸变系数 *********************/ const string strSettingPath = "../undistort.a-yaml"; // 读取相机

文章目录运行结果源码解读编译文件运行结果源码解读#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/features2d/features2d.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/opencv.hpp>int main (){ /************

文章目录运行结果源码解读编译文件运行结果源码解读#include <string>#include <nmmintrin.h>#include <chrono>#include <iostream>#include <opencv2/features2d/features2d.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/opencv.h

文章目录运行结果源码解读编译文件运行结果源码解读#include <iostream>#include <fstream>#include <string>#include <iomanip>#include <dirent.h>#include <opencv2/opencv.hpp>#include <opencv2/core/core.hpp>#include <opencv2/highgu

文章目录运行结果源码解读编译文件运行结果源码解读#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2/opencv.hpp>int main(int argc, char **argv) { cv::Mat

文章目录运行结果源码解读编译文件运行结果源码解读#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2/opencv.hpp>int main(int argc, char **argv) { cv::Ma

文章目录运行结果源码解读编译文件运行结果源码解读#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2/opencv.hpp>int main(int argc, char **argv) { cv::Mat

文章目录运行结果源码解读编译源码运行结果源码解读#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2/opencv.hpp>int main() { cv::Mat image;// 读取一张二维三通道图

文章目录运行结果源码详解编译文件运行结果源码详解#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2/opencv.hpp>int main(int argc, char **argv) { // 本教程通过

文章目录源码解读编译源码源码解读#include <iostream>#include <string>#include <vector>#include <opencv2/opencv.hpp>#include <opencv2/core.hpp>#include <yaml-cpp/yaml.h>using namespace std;using namespace cv;int main() {

文章目录运行结果源码解读编译文件运行结果源码解读/********************************************************************** * 轨迹文件数据格式:timestamp tx ty tz qx qy qz qw * 自定义旋转矩阵和平移向量对轨迹进行变换得到一个新的轨迹 * 使用ICP算法(取平移作为三维空间点)估计两个轨迹之间的位姿然后将该位姿作用在新轨迹上面 * 验证ICP算法估计的旋转矩阵和平移向量是否准确(两条轨迹是

文章目录源码解读编译文件CMakeLists.txtgroundtruth.txtestimated.txt源码解读#include <iostream>#include <unistd.h>#include <pangolin/pangolin.h>#include <sophus/se3.hpp>using namespace Sophus;using namespace std;// Twc 的平移部分构成了机器人的轨迹// ali

文章目录源码解读编译文件CMakeLists.txt源码解读#include <iostream>#include <cmath>#include <Eigen/Core>#include <Eigen/Geometry>#include "sophus/se3.hpp"using namespace std;int main() { /****************************************** *

文章目录源码解读编译文件源码解读#include <pangolin/pangolin.h>#include <Eigen/Core>#include <unistd.h>// 本例演示了如何画出一个预先存储的轨迹using namespace std;using namespace Eigen;// path to trajectory filestring trajectory_file = "../trajectory.txt";void

文章目录源码解读编译文件源码解读#include <iostream>#include <Eigen/Core>#include <Eigen/Geometry>int main() { // 构造位姿变换矩阵:这个变换矩阵可以把世界坐标系转到R1坐标系 Eigen::Quaterniond q1(0.35, 0.2, 0.3, 0.1); // 四元数表示的旋转矩阵 std::cout << "q1 = " <<

文章目录源码解读编译文件源码解读#include <iostream>#include <iomanip>using namespace std;#include <Eigen/Core>#include <Eigen/Geometry>using namespace Eigen;#include <pangolin/pangolin.h>struct RotationMatrix { Matrix3d matr

文章目录编译文件源码解读编译文件cmake_minimum_required(VERSION 2.8)set(EIGEN3_INCLUDE_DIRS /usr/local/include/eigen3)include_directories(${EIGEN3_INCLUDE_DIRS})add_executable( eigenGeometry eigenGeometry.cpp )源码解读#include <iostream>#include <cmath>#i

源代码是如何变成可执行程序的 ?（一）源代码是如何变成可执行程序的 ?（二）源代码是如何变成可执行程序的 ?（三）源代码是如何变成可执行程序的 ?（四）源代码是如何变成可执行程序的 ?（五）源代码是如何变成可执行程序的 ?（六）...

如何制作一个U盘用来安装Ubuntu16.04 系统Windows10 下安装 Ubuntu16.04 双系统教程这个Ubuntu系统使用教程让小白的你瞬间变为大神

视觉SLAM十四讲从理论到实践|第六讲|ceresCurveFitting.cpp

sudo apt-get install ubuntu-session

视觉SLAM十四讲从理论到实践|第六讲|gaussNewton.cpp

pycharm安装教程选择对应版本pycharm（免费社区版）点击下一步选择安装路径（不建议安装默认路径） 点击Next勾选所选项，点击Next点击Install等待安装安装成功，点击Finish勾选，点击OK右上角关闭窗口下面就可以创建项目了...

文章目录1.LU分解2. LDLT分解法3. Cholesky分解4. QR分解5.SVD分解6. Jordan 分解矩阵分解是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、QR分解、Jordan分解和SVD（奇异值）分解、非负矩阵分解等，常见的有三种：1)三角分解(Triangular Factorization)，2)QR 分解法 (QR Factorization)，3)奇异值分解 (Singular Value Decomposition)。1.LU分解三角分解(LU分解)：是矩阵分解