视觉SLAM-从零爬起打破秃头魔咒——（四）相机与图像 非线性优化
封面就是我的双目相机了 —— MYNT EYE D小觅双目摄像头深度版系列结构光双目深度惯导相机。打波广告小觅记得给我打钱！这是某宝卡片。之后会做测评的视频？或者博客吧~
MYNT EYE D小觅双目摄像头深度版系列结构光双目深度惯导相机
下面还是重头戏，看了上一期 芝士奶盖：视觉SLAM-从零爬起打破秃头魔咒——（三）李群与李代数 的阅读量，我感觉Notability不是不受欢迎，对于我这个刚开始写博客的小小blogger来说，所以我们继续冲！
PDF：
链接：https://pan.baidu.com/s/1evUBplDck9xqyRykc48RhA
提取码：2okb
第一Part是针孔相机模型与图像，主要的内容还是很简单的，就是相似三角形和中学光学的知识。
了解OpenCV的同学对图像的保存形式应该是很熟悉的了，使用ptr<uchar>(row)[col]或者at<uchar>(row, col)可以提取出像素，我也是长时间不用忘记了，写错了包容一下哈~
没想到这次又重回解放前，Hmm~
第二Part是批量状态估计问题。
补充一个似然（likelihood）和概率的区别和联系的博客，写的挺不错！感兴趣的可以看一看。
似然（likelihood）和概率（probability）的区别与联系_江前云后的专栏-CSDN博客
还有协方差的博客，都推荐 大学概率论上的是数字游戏的同学们 看一看！
如何通俗易懂地解释「协方差」与「相关系数」的概念？
Xinyu Chen：如何直观地理解「协方差矩阵」？
简单陈述一下上面这个问题。 是由
和
（也就是SE3）得到的，观测模型由相机位姿
观测物相对相机
得到的
像素平面数据。在这个原始问题里存在的误差（噪声）是高斯的（Gaussian Distribution），由于我们要求解的是似然
，用高斯分布的公式，计算其最大值即观测模型结果出现的最大可能性相当于负对数的最小值。这里的真实值-计算值就是误差
和
如上图 ↑ 所示，虽然批量估计由许多个误差的平方和组成，但每个项很简单只关联两个变量——误差和协方差。
下面↓ 是非线性最小二乘的介绍：
提供一个Tsinghua研究生的矩阵微分的PPT，反正我看着好吃力啊（菜鸡本科生看得肯定吃力啊）！！！
链接：
百度网盘链接提取码：fb5q
随后的章节我大多记得比较混乱，感兴趣的同学可以找我，我把书扫描一下含着笔记发给你~
还没有评论