- 博客(8)
- 收藏
- 关注
RSS订阅原创 相机标定之相机外参
三维点：假设有一个三维空间中的点P=(X,Y,Z)T。相机外参：相机的外参由旋转矩阵 R和平移向量t 组成，这些参数定义了相机在三维空间中的位置和朝向。相机内参：相机的内参（如焦距和主点位置）通常用相机内参矩阵 K表示。重投影误差衡量的是三维点通过相机模型投影到图像平面后，与实际观测到的特征点之间的差异。通过最小化这一误差，可以优化相机的外参和三维点的位置，从而提高估计的精度和鲁棒性。
2025-04-07 16:52:26
1569
原创 2D 到 3D 之间的变换
PnP（Perspective-n-Point）问题是求解摄像机位姿的经典问题，给定 2D 图像中的特征点和它们在 3D 世界中的对应点，估计摄像机的旋转矩阵和平移向量。单应性矩阵（Homography Matrix）用于描述平面场景的 2D 到 2D 变换，也可以用于 2D 到 3D 的变换。针孔模型是最基本的摄像机成像模型，描述了 3D 空间中的点如何通过摄像机投影到 2D 图像平面上。透视投影是将 3D 空间中的点投影到 2D 平面上的过程，模拟人眼观察的透视效果。xi 是 2D 图像中的点。
2025-04-07 11:03:52
513
原创 OpenCV实现SLAM位姿估计
定义无人机的状态变量，包括位置、速度、姿态、相机到IMU的变换矩阵以及传感器的bias。状态变量Rwb：IMU坐标系到世界坐标系的旋转矩阵。pw：IMU坐标系在世界坐标系下的位置。vw：IMU坐标系在世界坐标系下的速度。Tbc：相机坐标系到IMU坐标系的变换矩阵。ba 和 bg：加速度计和陀螺仪的bias。
2025-04-02 15:26:23
813
原创 无人机位姿估计
为了减少这种累积误差，需要将当前帧的特征点位置与之前的关键帧中的特征点位置进行对比，并优化当前帧中特征点的2D位置。Ik 和 Ik−1 分别是当前帧和参考帧的图像，T 是无人机的位姿变换，u 是图像中的2D点，du 是 u 的深度。：通过相机的投影模型，将3D点 p 投影到2D图像点 u：其中，π 是相机的投影函数，kp 是3D点的坐标。其中，Ik(ui′) 是当前帧中特征点的亮度，Iref(ui) 是参考帧中对应特征点的亮度。：计算当前帧中特征点的亮度与参考帧中对应特征点的亮度之间的差异。
2025-04-02 09:38:23
1420
原创 计算机控制无人机
根据图像处理的结果（例如，目标检测、路径规划等），生成相应的控制命令。：使用OpenCV或其他图像处理库进行分析和处理。：在获取视频流的同时，提取每一帧图像进行处理。：使用SDK将生成的命令发送给无人机。
2025-03-31 11:17:36
411
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人