• 在计算机的世界中对一帧图像进行分析前,我们需要将图像中的像素坐标转换为实际世界中的物理坐标,这就需要知道相机的内参和外参。
  • 内参和外参是描述相机成像过程的重要参数,它描述了很多关键信息,比如我们使用相机拍摄了一个木棍的图像,并将其传输到了计算机中。
    • 这个木棍在图像中有60个像素长,那么它在实际世界中长几米呢?(尺度转换)
    • 这60个像素在图像的右上角,那么木棍在实际世界中处于什么位置呢?(位置转换)
    • 镜头的畸变程度会影响图像的几何形状,径向畸变和切向畸变系数要如何获取呢?(畸变校正)
  • 获取上面这些关键信息的过程就叫相机标定,通过相机标定,我们可以得到相机的内参和外参。
  • 只有知道了相机的内外参,才能有效地将其用作视觉传感器,进行精确的物体识别或视线跟踪等任务。
  • 本文将对相机标定的基本原理进行介绍,并使用 OpenCVOpenCV 进行相机标定的实践。
Read more »

  • 在计算机中,一张照片由很多个像素组成,每个像素记录了色彩或亮度的信息,通过这些像素可以还呈现除三维空间中原始的物体,那么这些像素是如何产生的呢?本文将针对这个问题,介绍投影关系具体如何描述,相机的内参是什么,以及双目成像与 RGB-D 相机的原理。
  • 同时,还会介绍 OpenCV 的基本操作,包括图像的读取、显示、保存、像素遍历、复制、赋值,以及利用 OpenCV 进行相机标定、图像矫正和立体视觉的基本操作。
Read more »

  • 在追求极致性能的场景下,了解你的程序运行过程中 CPU 在做什么是非常重要的,火焰图就是一种非常直观展示 CPU 在程序整个生命周期过程中时间分配的工具。
  • 在进行程序性能分析时,通常会使用 perf 工具来采集程序运行时的性能数据,然后通过 Flame Graph 将 perf 采集到的数据转换成火焰图进行展示。
  • 本文主要介绍 C++ 开发者常用的工具集的底层原理、应用场景以及相关流程和使用方法。
Read more »

  • 深度学习的本质是通过多层神经网络对数据进行特征提取和转换,从而实现对数据的理解和预测。它的核心是神经网络,神经网络是一种模拟人脑神经元结构和功能的计算模型,它由大量的神经元(节点)和连接(权重)组成,通过对输入数据进行加权求和和非线性变换,实现对数据的表示和处理。
  • 深度学习的优势在于它能够自动地从数据中学习特征,而不需要人工设计特征,这使得它在处理复杂数据(如图像、语音、文本等)时表现出色。它的应用范围非常广泛,包括计算机视觉、自然语言处理、语音识别、推荐系统等领域。
  • 本文将对深度学习的基本原理进行介绍,并使用 PyTorchPyTorch 进行构建和训练深度学习模型。
Read more »
0%