Intrinsic

一起做RGB-D SLAM (4)

阅读更多关于一起做RGB-D SLAM (4)

第四讲点云拼接　　广告：“一起做”系列的代码网址：https://github.com/gaoxiang12/rgbd-slam-tutorial-gx 当博客更新时代码也会随着更新。 SLAM技术交流群：374238181 　　读者朋友们大家好！尽管还没到一周，我们的教程又继续更新了，因为暑假实在太闲了嘛！上讲回顾　　上一讲中，我们理解了如何利用图像中的特征点，估计相机的运动。最后，我们得到了一个旋转向量与平移向量。那么读者可能会问：这两个向量有什么用呢？在这一讲里，我们就要使用这两个向量，把两张图像的点云给拼接起来，形成更大的点云。　　首先，我们把上一讲的内容封装进slamBase库中，代码如下：　　include/slamBase.h 1 // 帧结构 2 struct FRAME 3 { 4 cv::Mat rgb, depth; // 该帧对应的彩色图与深度图 5 cv::Mat desp; // 特征描述子 6 vector<cv::KeyPoint> kp; // 关键点 7 }; 8 9 // PnP 结果 10 struct RESULT_OF_PNP 11 { 12 cv::Mat rvec, tvec; 13 int inliers; 14 }; 15 16 // computeKeyPointsAndDesp 同时提取关键点与特征描述子 17

SLAM之特征匹配(一)————RANSAC-------OpenCV中findFundamentalMat函数使用的模型

阅读更多关于 SLAM之特征匹配(一)————RANSAC-------OpenCV中findFundamentalMat函数使用的模型

随机抽样一致性（RANSAC）算法，可以在一组包含“外点”的数据集中，采用不断迭代的方法，寻找最优参数模型，不符合最优模型的点，被定义为“外点”。在图像配准以及拼接上得到广泛的应用，本文将对RANSAC算法在OpenCV中角点误匹配对的检测中进行解析。 1.RANSAC原理 OpenCV中滤除误匹配对采用RANSAC算法寻找一个最佳单应性矩阵H，矩阵大小为3×3。RANSAC目的是找到最优的参数矩阵使得满足该矩阵的数据点个数最多，通常令h33=1来归一化矩阵。由于单应性矩阵有8个未知参数，至少需要8个线性方程求解，对应到点位置信息上，一组点对可以列出两个方程，则至少包含4组匹配点对。其中(x,y)表示目标图像角点位置,(x',y')为场景图像角点位置，s为尺度参数。 RANSAC算法从匹配数据集中随机抽出4个样本并保证这4个样本之间不共线，计算出单应性矩阵，然后利用这个模型测试所有数据，并计算满足这个模型数据点的个数与投影误差(即代价函数)，若此模型为最优模型，则对应的代价函数最小。 ----------------------------------------------------------------------------------------------------------------- RANSAC算法步骤： 1. 随机从数据集中随机抽出4个样本数据

《JAVA设计模式》之享元模式(Flyweight)

阅读更多关于《JAVA设计模式》之享元模式(Flyweight)

在阎宏博士的《JAVA与模式》一书中开头是这样描述享元（Flyweight）模式的：　　Flyweight在拳击比赛中指最轻量级，即“蝇量级”或“雨量级”，这里选择使用“享元模式”的意译，是因为这样更能反映模式的用意。享元模式是对象的结构模式。享元模式以共享的方式高效地支持大量的细粒度对象。 Java中的String类型　　在JAVA语言中，String类型就是使用了享元模式。String对象是final类型，对象一旦创建就不可改变。在JAVA中字符串常量都是存在常量池中的，JAVA会确保一个字符串常量在常量池中只有一个拷贝。String a="abc"，其中"abc"就是一个字符串常量。 public class Test { public static void main(String[] args) { String a = "abc" ; String b = "abc" ; System.out.println(a== b); } } 　　上面的例子中结果为： true ，这就说明a和b两个引用都指向了常量池中的同一个字符串常量"abc"。这样的设计避免了在创建N多相同对象时所产生的不必要的大量的资源消耗。享元模式的结构　　享元模式采用一个共享来避免大量拥有相同内容对象的开销。这种开销最常见、最直观的就是内存的损耗。享元对象能做到共享的关键是区分内蕴状态

极客时间深入拆解 Java 虚拟机百度云

阅读更多关于极客时间深入拆解 Java 虚拟机百度云

相机内参外参

阅读更多关于相机内参外参

相机内参外参参考资料: https://www.cnblogs.com/wangguchangqing/p/8126333.html 1.像素坐标具体参见百度百科： https://baike.baidu.com/item/像素坐标/5372225 2.相机内参矩阵（Intrinsic matrix）说内参矩阵之前，还得再引入像素坐标系的概念。上述图像点的表示是长度单位，不是像素，由于我们拿到的图像是以像素来衡量的，因此还需要将图像坐标系转化为像素坐标系。在此直接给出结论：于是之前的相机矩阵又得添加一项：（1）上述推导中有一个假设前提，就是相机的感光元件是正方形的，感光元件的安装也是通过光轴中心的，但这不可能，于是会出现以下两个问题：感光元件的基本单元不是方的，一个方形物体可能最后成像为一个矩形（甚至会有斜切效果，一般可以不考虑斜切因素）；这导致表达式（1）中，dx与dy不相等，感光元件的中心与光轴通过的主点不重合，会使得正常投影的图像发生了一点小小的位移。这导致表达式（1）中，u0与v0可能并不等于成像传感器长宽尺寸的一半。（理想状态下就是一半）表达式（1）中，等式右边的前三个矩阵合并，得到下式：其中被称为内参矩阵（Wikipedia）或者只合并等式右边前两个矩阵，得到下式：一般习惯将矩阵：称为内参矩阵（少了一列0）。内参矩阵的参数含义： f

synchronized 和 ReentrantLock的区别

阅读更多关于 synchronized 和 ReentrantLock的区别

synchronized 是 Java 内建的同步机制，所以也有人称其为 Intrinsic Locking，它提供了互斥的语义和可见性，当一个线程已经获取当前锁时，其他试图获取的线程只能等待或者阻塞在那里。在 Java 5 以前，synchronized 是仅有的同步手段，在代码中， synchronized 可以用来修饰方法，也可以使用在特定的代码块儿上，本质上 synchronized 方法等同于把方法全部语句用 synchronized 块包起来。 ReentrantLock，通常翻译为再入锁，是 Java 5 提供的锁实现，它的语义和 synchronized 基本相同。再入锁通过代码直接调用 lock() 方法获取，代码书写也更加灵活。与此同时，ReentrantLock 提供了很多实用的方法，能够实现很多 synchronized 无法做到的细节控制，比如可以控制 fairness，也就是公平性，或者利用定义条件等。但是，编码中也需要注意，必须要明确调用 unlock() 方法释放，不然就会一直持有该锁。 synchronized 和 ReentrantLock 的性能不能一概而论，早期版本 synchronized 在很多场景下性能相差较大，在后续版本进行了较多改进，在低竞争场景中表现可能优于 ReentrantLock。来源： oschina 链接：

订阅 Intrinsic