一起自学SLAM算法：3.4 图像特征点提取

激光SLAM总结——特征点提取与匹配

学习LOAM笔记——特征点提取与匹配学习LOAM笔记——特征点提取与匹配1. 特征点提取1.1 对激光点按线束分类1.2 计算激光点曲率1.3 根据曲率提取特征点2. 特征点匹配2.1 scan-to-scan中的特征点匹配2.2 scan-to-map中特征点匹配3. 补充 学习LOAM笔记——特征点提取与匹配 兜兜转转一圈，最近又开始接触一些和SLAM相关的工作，LOAM是一个非常经典的激光SLAM框架，LOAM和VLOAM至今还在kitti榜上有着不错的表现，从这篇博客开始，我开始着手对LOAM以及L

图像特征提取算法

图像特征提取算法及MATLAB代码实现,思路清晰,易于初学者了解.

一起自学SLAM算法：10.3 机器学习与SLAM

推理、知识、神经网络、机器学习、决策理论等诸多的概念，本身就是在不同的层面不同的时期来讨论的，这些概念之间有些是互相重叠的、有些是发展递进的、有些是特例、有些是不同角度出发的同一观点等等。图10-33 发展历程既然从理论上暂时无法得知智能的真正面貌，那么广大读者也就不必拘泥于理论层面的各种概念，仅从实践的角度讨论和学习主流的一些技术应用就已经够了。如图10-34所示，为人工智能技术应用的大致流程。从实际问题出发，对问题进行分析并提取出一些重要的先验信息以帮助我们构造更合适的智能系统来解决问题。

深度学习理论——特征提取算法

大家好，继续理论学习，今天介绍几种最常见的特征提取算法。 1.LBP算法（Local Binary Patterns，局部二值模式） LBP算子是一种用来描述图像局部纹理特征的算子，具有灰度不变性。 其主要思想是在目标像素周围定义一个3x3的窗口，以目标像素为阈值，将相邻的8个像素的灰度值与目标像素进行对比，如果大于目标像素，则标记为1，如果小于等于则标记为0。这样，对每一个窗口都可以产生一...

特征点提取算法

以上代码中，`imread`函数用于读入图像，`cvtColor`函数将图像转换为灰度图像，`xfeatures2d::SURF::create()`函数用于创建SURF算法对象，`detect`函数用于提取SURF特征点，`compute`函数用于计算SURF特征描述符，`drawKeypoints`函数用于将特征点绘制在图像上，`imshow`函数用于显示图像，`waitKey`函数用于等待用户按下按键。ORB算法中采用了FAST角点检测算法来检测图像的角点，使用BRIEF算法来描述特征点。

一起自学SLAM算法：第9章-视觉SLAM系统

连载文章，长期更新，欢迎关注：上一章介绍了以激光雷达做为数据输入的激光SLAM系统，激光雷达的优点在于数据稳定性好、测距精度高、扫描范围广，但缺点是价格昂贵、数据信息量低、安装部署位置不能有遮挡、雨天烟雾等环境容易失效。相比于激光雷达，视觉传感器价格便宜许多、所采集到的图像数据信息量更高、室内室外场景都能适用并且雨天烟雾场景影响较小，不过视觉传感器数据稳定性和精度较差、巨大的数据量也消耗更大的计算资源。主流的视觉传感器包括单目、双目和RGB-D这3类相机，其原理见4.3节相关内容。

一起自学SLAM算法：写在前面

试想一下如果人类拥有一个非常聪明的脑瓜子但却被限制在固定的地方不能移动，那么人与人之间的交流将很大程度地被阻断，人类的分工协作、社会生产、认识并改造自然的能力也将不复存在。可以说人类的躯体延展了人类的智能，特别是躯体的可移动性极大地扩展了人类智能的作用范围。而互联网技术的普及是对人类智能的又一次延展，我们可以借助互联网巨大的信息存储以及检索能力来管理我们的知识（以前靠人脑维护这些知识则需要消耗掉我们很大一部分的心智），同时互联网提供的便捷交流渠道加速了人类认识并改造自然的进程。伴随着互联网技术而兴起的人工智

一起自学SLAM算法：9.2 LSD-SLAM算法

连载文章，长期更新，欢迎关注：下面将从原理分析、源码解读和安装与运行这3个方面展开讲解LSD-SLAM算法。

一起自学SLAM算法：9.1 ORB-SLAM2算法

连载文章，长期更新，欢迎关注：下面将从原理分析、源码解读和安装与运行这3个方面展开讲解ORB-SLAM2算法。

一起自学SLAM算法：8.3 LOAM算法

连载文章，长期更新，欢迎关注：不管是Gmapping还是Cartographer，通常都是采用单线激光雷达作为输入并且只能在室内环境运行。虽然Cartographer支持2D建图和3D建图模式，但是Cartographer采用3D建图模式构建出来的地图格式仍然为2D形式的地图。这里介绍一种用在室外环境的激光SLAM算法，即LOAM算法。该算法利用多线激光雷达，能构建出3D点云地图。LOAM算法是一款非常经典的SLAM算法，曾经霸占KITTI数据集效果榜首很长一段时间。

一起自学SLAM算法：3.1 认识图像数据

学习OpenCV的第一件事，就是要搞明白图像的存在形式。话不多说，从程序中具体讲解。本章C++示例代码将采用CMake方式编译，关于CMake编译的内容已经在第2章中讲解过了，不在重复。利用OpenCV可以从图片文件、视频文件和相机设备获取图像数据，下面结合例子分别对这三种方式进行讲解。关于新建C++工程和CMakeLists.txt编译配置文件的内容不再展开讲解，不熟悉的朋友可以回头参考第2章的内容。1.从图片文件获取首先，来看一下image_from_img.cpp文件，见代码清单3-1所示。代码清单3

一起自学SLAM算法：3.3 图像变换

经过3.2节图像滤波的学习，相信大家对图像处理有了一定的了解。不过，图像滤波只是很初级的处理，其目的是提升图像本身的质量。本节要讲到的图像变换，从改变图像的结构入手，将图像变换成不同的形态。由于篇幅限制，这里重点讲在后续视觉SLAM章节中涉及到的图像变换算法。其他一些常用图像变换算法将略过，比如频谱变换、小波变换、图像金字塔等，感兴趣可以查阅相关资料。这里从基本概念入手，逐步对仿射变换的原理进行解析。首先需要了解的就是重映射（remap），就是把原图中某个位置的像素放到另一个位置，这样原图的所有像素经过重映

一起自学SLAM算法：9.3 SVO算法

连载文章，长期更新，欢迎关注：下面将从原理分析、源码解读和安装与运行这3个方面展开讲解SVO算法。

一起自学SLAM算法：3.2 图像滤波

通过上面的学习，已经知道图像是由一个个像素点组成的，处理图像就是处理这些像素点。但是需要注意的是，图像中的像素之间的关联性是重要的信息，不能完全把像素点割裂开来，这一点也正是众多图像算法的出发点。这里就通过图像滤波，来具体理解像素之间的这种关联性。图像滤波的目的是在尽量保留图像特征的条件下，过滤掉图像中的噪声，其直接影响到后续图像识别、分析等算法的效果。关于图像的线性滤波过程，如图3-2所示，滤波器h(x,y)为一个加权系数的窗，利用窗对图像中的像素f(x,y)进行加权求和，结果g(x,y)就是滤波输出值，

4 SLAM（同步定位与建图）学习指南

（主流SLAM框架如ORB-SLAM3、VINS-Mono均用C++）：位姿图优化（Bundle Adjustment、g2o/GTSAM）：相机（单目/双目/RGB-D）、激光雷达（LiDAR）、IMU。（如《SLAM十四讲》），再读论文（如ORB-SLAM）。：三维空间变换（旋转矩阵、四元数、李群/李代数）：高斯分布、贝叶斯滤波（卡尔曼滤波、粒子滤波）（核心）：矩阵运算、特征值分解、最小二乘法。（ORB-SLAM3），再学激光SLAM。（如ORB-SLAM3），理解代码架构。

[自学博客]纯自学记录，用于监督。视觉SLAM14讲

第二遍看视觉SLAM14讲，学理论推导，将程序融会贯通用。 进度： 2月18日 3.1----4.1 2月19日 4.2----4.5 2月20日 5.1----5.4 2月21日 6.1----6.4 2月22日 C++学习，专利修改 2月23日 7.1----7.4 2月24日 7.5----7.8 2月25日 7.9----8...

视觉SLAM技术精讲课程：从基础到应用

SLAM（Simultaneous Localization and Mapping，即时定位与地图构建）技术是机器人和自动驾驶领域的重要技术之一，它能够使机器人或自主移动设备在未知环境中进行位置定位和环境地图构建的同时操作。SLAM技术经历了从早期的激光SLAM，到现在的视觉SLAM的演变，不仅限于机器人的定位与导航，还在增强现实（AR）、虚拟现实（VR）、无人机等领域中发挥着重要作用。本章将介绍SLAM技术的核心思想，探索其基本概念、发展历程以及在不同领域中的应用实例。

【自学笔记】计算机视觉基础知识点总览-持续更新

提示：这里对文章进行总结：例如：以上就是今天要讲的内容，自学记录计算机视觉基础知识点总览。