- 相机和镜头是计算机视觉中重要的组成部分，合适的相机和镜头决定了系统的好坏。但是大部分的计算机视觉工程师对如何选择工业用相机和合适的镜头上犯了难。本文主要介绍如何选择相机与对应的镜头。 相机成像原理 学过初中物理的同学肯定不会忘记小孔成像。 凸透镜成像有几个关键的点需要记住： 1、物距大于2倍焦距以外，实像； 2、物距等于2倍焦距，实像； 3、物距在... 相机和镜头是计算机视觉中重要的组成部分，合适的相机和镜头决定了系统的好坏。但是大部分的计算机视觉工程师对如何选择工业用相机和合适的镜头上犯了难。本文主要介绍如何选择相机与对应的镜头。 相机成像原理 学过初中物理的同学肯定不会忘记小孔成像。 凸透镜成像有几个关键的点需要记住： 1、物距大于2倍焦距以外，实像； 2、物距等于2倍焦距，实像； 3、物距在...
- 目录 1、MNIST 2、ImageNet 4、COCO 5、PASCAL VOC 6、FDDB 1、MNIST 深度学习领域的入门数据集，当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一教程。MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28*28，数字放在一个归一化的、... 目录 1、MNIST 2、ImageNet 4、COCO 5、PASCAL VOC 6、FDDB 1、MNIST 深度学习领域的入门数据集，当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一教程。MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28*28，数字放在一个归一化的、...
- 目录 2.2 数据关联的优化 2.2.1 固定区域匹配 2.2.2 Active Matching 2.2.3 1-Point RANSAC 2.2.4 几何约束 2.2 数据关联的优化 基于图像的特征检测与匹配不可避免地带有误差。如果直接使用图像特征匹配的结果作为数据关联的结果，往往会带来很大误差，以至于定位系统发散。 2.2.1 固定区域匹配 这种... 目录 2.2 数据关联的优化 2.2.1 固定区域匹配 2.2.2 Active Matching 2.2.3 1-Point RANSAC 2.2.4 几何约束 2.2 数据关联的优化 基于图像的特征检测与匹配不可避免地带有误差。如果直接使用图像特征匹配的结果作为数据关联的结果，往往会带来很大误差，以至于定位系统发散。 2.2.1 固定区域匹配 这种...
- 目录 1. 如何在Ubuntu 中安装软件（命令⾏界⾯）？它们通常被安装在什么地⽅？ apt-get 方式的安装: 通常安装在哪？ 2. linux 的环境变量是什么？我如何定义新的环境变量？ 3. linux 根目录下面的目录结构是什么样的？ 4. 假设我要给a.sh 加上可执⾏权限，该输⼊什么命令？ 5. 假设我要将a.sh ... 目录 1. 如何在Ubuntu 中安装软件（命令⾏界⾯）？它们通常被安装在什么地⽅？ apt-get 方式的安装: 通常安装在哪？ 2. linux 的环境变量是什么？我如何定义新的环境变量？ 3. linux 根目录下面的目录结构是什么样的？ 4. 假设我要给a.sh 加上可执⾏权限，该输⼊什么命令？ 5. 假设我要将a.sh ...
- 目录 1 单目视觉SLAM分类方法 1.1 基于概率框架的单目视觉SLAM 1.2 基于非概率框架的单目视觉SLAM方法 SLAM最先由Smith Self 和 Cheeseman于1987年提出，被认为是实现移动机器人真正自主的关键。 视觉传感器信息量大、灵活性高、成本低，其他传感器无法比拟，随着计算机视觉的发展和计算能力的增强，出现了大量利用摄影机作为传感器的... 目录 1 单目视觉SLAM分类方法 1.1 基于概率框架的单目视觉SLAM 1.2 基于非概率框架的单目视觉SLAM方法 SLAM最先由Smith Self 和 Cheeseman于1987年提出，被认为是实现移动机器人真正自主的关键。 视觉传感器信息量大、灵活性高、成本低，其他传感器无法比拟，随着计算机视觉的发展和计算能力的增强，出现了大量利用摄影机作为传感器的...
- 2.3 特征点深度的获取 单目摄像机相当于Bearing（方向） Only类传感器，不能立刻获得深度信息。 特征点深度获取方法主要有以下3种： 几何三角化、反深度（inverse depth）、粒子滤波法 2.3.1 几何三角化 目前采用关键帧与稀疏捆绑调整( sparse bundle adjustment， SBA) 框架的单目视觉SLAM 系统， 普遍采用类似运... 2.3 特征点深度的获取 单目摄像机相当于Bearing（方向） Only类传感器，不能立刻获得深度信息。 特征点深度获取方法主要有以下3种： 几何三角化、反深度（inverse depth）、粒子滤波法 2.3.1 几何三角化 目前采用关键帧与稀疏捆绑调整( sparse bundle adjustment， SBA) 框架的单目视觉SLAM 系统， 普遍采用类似运...
- 目录 1. 基于阈值的目标提取 1.1 二值化处理 1.2 阈值的确定 模态法 阈值确定其他方法 大津法 2. 基于颜色的目标提取 2.1 色相、亮度、饱和度 2.2颜色分量和组合处理 比如让你提取一幅照片中的苹果，还有可能遮挡 比如让你提取绿色的麦苗，如何使用二值图像呢？ 3. 基于差分目标提取 3.1 帧间差分 3.2 背景差分 1.... 目录 1. 基于阈值的目标提取 1.1 二值化处理 1.2 阈值的确定 模态法 阈值确定其他方法 大津法 2. 基于颜色的目标提取 2.1 色相、亮度、饱和度 2.2颜色分量和组合处理 比如让你提取一幅照片中的苹果，还有可能遮挡 比如让你提取绿色的麦苗，如何使用二值图像呢？ 3. 基于差分目标提取 3.1 帧间差分 3.2 背景差分 1....
- 目录 Github目标检测算法大全（包含图）： 刷榜排名记录： 目标检测综述论文： 文章学习可以参考博客 论文截图： Github目标检测算法大全（包含图）： https://github.com/hoya012/deep_learning_object_detection 刷榜排名记录： http://host.robots.ox.ac.u... 目录 Github目标检测算法大全（包含图）： 刷榜排名记录： 目标检测综述论文： 文章学习可以参考博客 论文截图： Github目标检测算法大全（包含图）： https://github.com/hoya012/deep_learning_object_detection 刷榜排名记录： http://host.robots.ox.ac.u...
- CVPR 2020: IEEE Conference on Computer Vision and Pattern RecognitionNeurIPS 2020: Neural Information Processing SystemsECCV 2020: European Conference on Computer VisionICML 2020: Internati... CVPR 2020: IEEE Conference on Computer Vision and Pattern RecognitionNeurIPS 2020: Neural Information Processing SystemsECCV 2020: European Conference on Computer VisionICML 2020: Internati...
- 作者：变胖是梦想2014 来源链接：https://www.jianshu.com/p/22151f39b50c 目录 CVPR-2018 references CVPR-2017 references ICCV-2017 references ECCV-2018 references CVPR-2018 1.CodeSlam:对单目sla... 作者：变胖是梦想2014 来源链接：https://www.jianshu.com/p/22151f39b50c 目录 CVPR-2018 references CVPR-2017 references ICCV-2017 references ECCV-2018 references CVPR-2018 1.CodeSlam:对单目sla...
- 这是一个学习笔记回顾记录，主要是18年的SLAM技术论坛的老师说的方向点子，希望大家有用！ 目录 四个教授的见解 章国峰教授： 申抒含教授： 沈劭劼教授： 邹丹平教授： 四个教授的见解 章国峰教授： SLAM的相关理论已经发展得比较成熟。但是，在实际应用中，问题还相当复杂。 我认为目前有两个趋势可以把握，一个趋势是将SLAM与深度学习相结合。而且，我也认... 这是一个学习笔记回顾记录，主要是18年的SLAM技术论坛的老师说的方向点子，希望大家有用！ 目录 四个教授的见解 章国峰教授： 申抒含教授： 沈劭劼教授： 邹丹平教授： 四个教授的见解 章国峰教授： SLAM的相关理论已经发展得比较成熟。但是，在实际应用中，问题还相当复杂。 我认为目前有两个趋势可以把握，一个趋势是将SLAM与深度学习相结合。而且，我也认...
- #漫谈程序员(十八)浅谈谷歌用户体验设计准则 ##谷歌的愿景 Google用户体验团队致力于创建有用的（useful）、快速的（fast）、简单的（simple）、有吸引力的（engaging）、创新的（ innovative）、适合大众的（universal）、有用的（profitable）、漂亮的（beautiful）、值得信赖的（trustworthy）、个性... #漫谈程序员(十八)浅谈谷歌用户体验设计准则 ##谷歌的愿景 Google用户体验团队致力于创建有用的（useful）、快速的（fast）、简单的（simple）、有吸引力的（engaging）、创新的（ innovative）、适合大众的（universal）、有用的（profitable）、漂亮的（beautiful）、值得信赖的（trustworthy）、个性...
- 图像 一张图片包含了：维数、高度、宽度、深度、通道数、颜色格式、数据首地址、结束地址、数据量等等。 图像深度： 存储每个像素所用的位数（bits） 当一个像素占用的位数越多时，它所能表现的颜色就更多，更丰富。 举例：一张400*400的8位图，这张图的原始数据量是多少？像素值如果是整型的话，取值范围是多少？ 1，原始数据量计算：400 * 400 * ( 8/8 ... 图像 一张图片包含了：维数、高度、宽度、深度、通道数、颜色格式、数据首地址、结束地址、数据量等等。 图像深度： 存储每个像素所用的位数（bits） 当一个像素占用的位数越多时，它所能表现的颜色就更多，更丰富。 举例：一张400*400的8位图，这张图的原始数据量是多少？像素值如果是整型的话，取值范围是多少？ 1，原始数据量计算：400 * 400 * ( 8/8 ...
- 详细内容请看Github 文章目录 1.下载地址2.安装LinuxPython 2 + Qt4Python 3 + Qt5 (Recommended)dockerHotkeys 3 使用 1.下载地址 git clone https://github.com/tzutalin/labelImg 2.安装 Linux Python 2 + ... 详细内容请看Github 文章目录 1.下载地址2.安装LinuxPython 2 + Qt4Python 3 + Qt5 (Recommended)dockerHotkeys 3 使用 1.下载地址 git clone https://github.com/tzutalin/labelImg 2.安装 Linux Python 2 + ...
- 2.1 特征的检测与匹配 SLAM系统中，是以环境中的路标点为基础的。 单目视觉系统无法从单帧图像恢复深度。如何 利用图像特征检测与匹配获得高质量的路标，关系到单目视觉SLAM的鲁棒性。 图像特征可分为：点特征、直线特征、边缘、轮廓 相比于其他，点特征具有对遮挡相对鲁棒，识别性好，提取速度快。点特征的检测和匹配来实现SLAM数据关联。 2.1.1 角点特征 角点在... 2.1 特征的检测与匹配 SLAM系统中，是以环境中的路标点为基础的。 单目视觉系统无法从单帧图像恢复深度。如何 利用图像特征检测与匹配获得高质量的路标，关系到单目视觉SLAM的鲁棒性。 图像特征可分为：点特征、直线特征、边缘、轮廓 相比于其他，点特征具有对遮挡相对鲁棒，识别性好，提取速度快。点特征的检测和匹配来实现SLAM数据关联。 2.1.1 角点特征 角点在...
上滑加载中
推荐直播
-
探秘仓颉编程语言：华为开发者空间的创新利器2025/02/22 周六 15:00-16:30
华为云讲师团
本期直播将与您一起探秘颉编程语言上线华为开发者空间后，显著提升开发效率，在智能化开发支持、全场景跨平台适配能力、工具链与生态完备性、语言简洁与高性能特性等方面展现出的独特优势。直播看点： 1.java转仓颉的小工具 2.仓颉动画三方库lottie 3.开发者空间介绍及如何在空间用仓颉编程语言开发
回顾中 -
大模型Prompt工程深度实践2025/02/24 周一 16:00-17:30
盖伦 华为云学堂技术讲师
如何让大模型精准理解开发需求并生成可靠输出？本期直播聚焦大模型Prompt工程核心技术：理解大模型推理基础原理，关键采样参数定义，提示词撰写关键策略及Prompt工程技巧分享。
去报名 -
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
去报名
热门标签