摘要： 没有下载桌面版本的，只是在网页版本上进行操作 1.注册（sign up）GitHub账号，然后登陆（sign in）。 2.详细解释看这里 还有这里 登录成功后，创建仓库,我现在创建一个测试仓库叫buxingxing,仓库分公开的和私有的,公开的是免费的,私有的是收费的,我使用的是公开的仓库,如下创 阅读全文

摘要： （1）用IMU来进行预测 读入一个10/20帧的数据集，通过IMU来初步预测出位姿以及显示其路径。 Christian Forster, Luca Carlone, Frank Dellaert, Davide Scaramuzza, "IMU Preintegration on Manifold 阅读全文

摘要： 1.灰度 用黑色为基准色，不同的饱和度的黑色来显示图像。 每个灰度对象都具有从 0%（白色）到100%（黑色）的亮度值。 使用黑白或灰度扫描仪生成的图像通常以灰度显示。 与像素的关系：一般，像素值量化后用一个字节（8b）来表示。如把有黑-灰-白连续变化的灰度值量化为256个灰度级，灰度值的范围为0~ 阅读全文

摘要： 大神解答 一.前提 最一般的状态估计问题，我们会根据系统是否线性，把它们分为线性/非线性系统。同时，对于噪声，根据它们是否为高斯分布，分为高斯/非高斯噪声系统。现实中最常见的，也是最困难的问题，是非线性-非高斯(NLNG, Nonlinear-Non Gaussian)的状态估计。下面先说最简单的情 阅读全文

摘要： 1.贝叶斯 最大似然估计 回顾一下第二讲的经典SLAM模型： 通过传感器（例如IMU）的运动参数u来估计运动(位姿x)[定位]，通过相机的照片的观测参数z来估计物体的位置(地图y)[建图]，都是有噪声的。因为运动参数和照片都有噪声，所以需要进行优化。而过去卡尔曼滤波只关心当前的状态估计，而非线性优化 阅读全文

摘要： 一.状态估计的解释 我们知道每个方程都受噪声的影响，这里把位姿x和路标y看成服从某种概率分布的随机变量。因此我们关心的问题就变成了：当我们已知某些运动数据u和观测数据z时，如何确定状态量x，y的分布？比较常见且合理的情况下，我们假设状态量和噪声项服从高斯分布 这意味着在程序中只需存储它们的均值和协方 阅读全文

摘要： 融合方式概述 同SLAM发展过程类似，视觉融合IMU问题也可以分成基于滤波和基于优化两大类。 同时按照是否把图像特征信息加入状态向量来进行分类，可以分为松耦合和紧耦合两大类。 一.基于滤波的融合算法 1.1 松耦合 松耦合将视觉传感器和 IMU 作为两个单独的模块，两个模块均可以计算得到位姿信息，然 阅读全文

摘要： 特征提取与匹配 SURF；SIFT；ORB；FAST；Harris角点 匹配方法 匹配函数 1. OpenCV提供了两种Matching方式： 一般，点集1称为 train set （训练集）的对应模板图像，点集2称为 query set（查询集）的对应查找模板图的目标图像。 为了提高检测速度，你可 阅读全文

该文被密码保护。 阅读全文

摘要： https://docs.opencv.org/2.4/doc/tutorials/imgproc/imgtrans/sobel_derivatives/sobel_derivatives.html OpenCV 2.4 C++ 边缘梯度计算 sobel 使用说明 Sobel算子 Sobel 算子是 阅读全文