上一篇： 【点云配准｜TEASER++】论文介绍&环境配置 源码解读 以 examples/teaser_cpp_fpfh/teaser_cpp_fpfh.cc 为例。 代码主要流程为： 加载 .ply 源点云模型 将源点云数据写入 Eigen 矩阵 执行旋转和平移变换得到目标点云 对目标点云加噪声和外点 将目标点云从 Eigen 矩阵转换为 tease
1、骨架提取 骨架提取，也叫二值图像细化。这种算法能将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。 morphology子模块提供了两个函数用于骨架提取，分别是Skeletonize（）函数和medial_axis（）函数。 1.1. Skeletonize()函数 输入和输出都是一幅二值图像。 from skimage import morphology,data,c
利用Tsai-lenz算法实现手眼标定 自己的理解 手眼标定我主要参考了 link.通过该作者的连续几篇内容，我基本搞清楚了利用Tsai-lenz算法实现手眼标定的基本原理和算法所做的工作。以防后期忘了，因此写出来以便自己查阅。按照我的理解，手眼标定说白了就是各种坐标系之间的转换。通过坐标系的转换从而使得相机和机械臂的末端可以看作是同一个点。而要进行手眼标定我们需要进行标定数据的获取。标定数据
当我们要预测的是一个离散值时，做的工作就是“分类”。机器学习模型还可以将训练集中的数据划分为若干个组，每个组被称为一个“簇（cluster）”。它的重要特点是在学习过程中不需要用标签对训练样本进行标注。也就是说，学习过程能够根据现有训练集自动完成分类（聚类）。 OpenCV学习笔记(十七） 根据训练数据是否有标签，我们可以将学习划分为监督学习和无监督学习。前面介绍的K近
介绍 MIT出品，发表在顶刊 TRO 上 Paper: TEASER: Fast and Certifiable Point Cloud Registration Github: https://github.com/MIT-SPARK/TEASER-plusplus 1.1K star Guide: https://teaser.readthedocs.io/en/latest/in
非ROS版本 配置 要在linux下使用realsense相机，需要首先配置librealsense。我的环境是Ubuntu18.04，相机是D435i相机。 librealsense的地址在点击这里。 但是自己编译的时候发现太慢了，根本不知道是卡住了，还是正常进行但是时间比较漫长。很麻烦，建议不要自己编译，而是直接用apt install 的方式来装，这样装又快又省事，官方也给了相关的说
事件相机（Event-based camera）模拟器的环境配置方法，我已经在这篇文章中事件相机（Event-based camera）模拟器ESIM配置及使用指南介绍过了。 这篇文章用来介绍一下该模拟器哪些功能。（具体怎么使用，相信配置好以后看github介绍即可。其github地址在：点击这里 另外，该模拟器生成的事件，统一是以ROSBAG的形式保存的，如何从中读取我写了一个脚
MediaPipe 是一款由 Google Research 开发并开源的多媒体机器学习模型应用框架，可以直接调用其API完成目标检测、人脸检测以及关键点检测等。本篇文章介绍其手部21个关键点检测。官方文档：https://google.github.io/mediapipe/solutions/hands.html 一. 关键函数解释 （1）mediapipe.solutions
人脸识别是指程序对输入的人脸图像进行判断，并识别出其对应的人的过程。人脸识别程序像我们人类一样，“看到”一张人脸后就能够分辨出这个人是家人、朋友还是明星。当然，要实现人脸识别，首先要判断当前图像内是否出现了人脸，也即人脸检测。只有检测到图像中出现了人脸，才能根据人脸判断这个人到底是谁。本文分别介绍人脸检测和人脸识别的基本原理，并分别给出了使用OpenCV 实现它们的简单案例。
K 近邻算法是最简单的机器学习算法之一，主要用于将对象划分到已知类中，在生活中被广泛使用。例如，教练要选拔一批长跑运动员，如何选拔呢？他使用的可能就是K 近邻算法，会选择个子高、腿长、体重轻，膝、踝关节围度小，跟腱明显，足弓较大者作为候选人。他会觉得这样的孩子有运动员的潜质，或者说这些孩子的特征和运动员的特征很接近。 内容列表 1. 理论基础 2. 计算 3
本节介绍了如何在图像上绘制图形，并且如何用鼠标和滚动条实现用户交互。 1. 绘画基础 OpenCV 提供了绘制直线的函数cv2.line()、绘制矩形的函数cv2.rectangle()、绘制圆的函数cv2.circle()、绘制椭圆的函数cv2.ellipse()、绘制多边形的函数cv2.polylines()、在图像内添加文字的函数cv2.putText()等多种绘
视频信号（以下简称为视频）是非常重要的视觉信息来源，它是视觉处理过程中经常要处理的一类信号。实际上，视频是由一系列图像构成的，这一系列图像被称为帧，帧是以固定的时间间隔从视频中获取的。获取（播放）帧的速度称为帧速率，其单位通常使用“帧/秒”表示，代表在1 秒内所出现的帧数，对应的英文是FPS（Frames Per Second）。如果从视频中提取出独立的帧，就可以使用图像处理的方法对其进行
前言 EfficientNet源自Google Brain的论文EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. 从标题也可以看出，这篇论文最主要的创新点是Model Scaling（感觉是填了GoogLeNetV3中网络设计准则留下了的坑，好奇的同学可以看我之前的博文）. 论文提出了compoun
在图像处理的过程中，经常需要从图像中将前景对象作为目标图像分割或者提取出来。例如，在视频监控中，观测到的是固定背景下的视频内容，而我们对背景本身并无兴趣，感兴趣的是背景中出现的车辆、行人或者其他对象。我们希望将这些对象从视频中提取出来，而忽略那些没有对象进入背景的视频内容。 1. 用分水岭算法实现图像分割与提取 图像分割是图像处理过程中一种非常重要的操作。分水岭算法将图像形象地比喻
直方图是图像处理过程中的一种非常重要的分析工具。直方图从图像内部灰度级的角度对图像进行表述，包含十分丰富而重要的信息。从直方图的角度对图像进行处理，可以达到增强图像显示效果的目的。 1. 直方图的含义 从统计的角度讲，直方图是图像内灰度值的统计特性与图像灰度值之间的函数，直方图统计图像内各个灰度级出现的次数。从直方图的图形上观察，横坐标是图像中各像素点的灰度级，纵坐标是具有该灰度级（像素值
前文链接： OpenCV学习笔记(九)——图像轮廓(上) OpenCV学习笔记(九)——图像轮廓(中) 6. 利用形状场景算法比较轮廓 用矩比较形状是一种非常有效的方法，不过现在有了更有效的方法。从OpenCV 3开始，有了专有模块shape，该模块中的形状场景算法能够更高效地比较形状。 6.1 计算形状场景距离 OpenCV 提供了使用“距离”作为形状比较的度量标准。这是因为形状之间
前文链接：OpenCV学习笔记(九)——图像轮廓(上) 4. 轮廓拟合 在计算轮廓时，可能并不需要实际的轮廓，而仅需要一个接近于轮廓的近似多边形。OpenCV 提供了多种计算轮廓近似多边形的方法。 4.1 矩形包围框 x,y,w,h = cv2.boundingRect( array ) 返回矩形边界左上角顶点的x坐标，y坐标，矩形宽度和高度。 参数 array 是灰度图像或轮
图像金字塔是由一幅图像的多个不同分辨率的子图所构成的图像集合。该组图像是由单个图像通过不断地降采样所产生的，最小的图像可能仅仅有一个像素点。 《OpenCV轻松入门：面向Python》学习笔记(八） 1. 理论基础 1.1 向下采样 1.2 向上采样 2. pyrDown 函数及使用 3. pyrUp 函数及使用 4. 采样
内容列表 前言 一、Group Convolution 二、ShuffleNetV1 1. Channel Shuffle 2. ShuffleNet unit 3. Model Architecture 二、ShuffleNetV2 1. Motivation 2. Practical Guidelines for Efficient Network D
描述 本文会对何恺明博士的论文实验结果进行分析，并结合我的复现代码，对一些参数选择给出建议 以下是我关于去雾的另外两篇文章：论文解析：https://www.guyuehome.com/39848思路梳理与python代码复现：https://www.guyuehome.com/39850 原文分析 5. Experimental Results 自己的结果 在我们的实验中，我们使用M
第三方账号登入
看不清？点击更换
第三方账号登入
QQ 微博 微信