[原创]根据文献使用matlab实现了PFH算法，并使用它对bunny数据进行了基于特征匹配和RANSAC的拼接实验。
关键点选取和特征匹配部分是直接用的之前文献复原的内容(资源已发布)，仅用来测试PFH的有效性。
由于运行速度过慢，我将代码分为三块，依次运行PFH_demo.m（关键点提取）、PFH_demo2.m（PFH计算，耗时）、PFH_demo3.m（拼接实验与结果展示）。
代码中实现的是64维度的描述符，与PCL中的略有不同。
关键点如果用3Dharris效果应该会更好一点。

在机器人视觉系统中运用SIFT描述子对现实世界中的目标进行识别，这一研究已经取得了很大的进步。
运用SIFT生成的图像特征向量的性能十分稳定，对旋转、缩放、平移是保持不变性的，对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。
RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法，在标准的RANSAC算法基础上加入了假设评价，改进为R-RANSAC（TheRandomizedRANSAC）算法。
对这两个方面进行论述，运用SIFT（尺度不变特征变换）算法对双目机器人的两幅视觉图像进行匹配，采用带SPRT的R-RANSAC改进算法对匹配过程进行优化，尽可能在短的时间里完成匹配矫正，进而加速整个配准的时间。

随机抽样一致性算法实现

一种常用的去除误匹配的算法，在matlab环境下运行，具有较好的效果

pcl_floor_extraction：使用RANSAC提取并查找与给定参考矢量具有相似方向的地板平面，并获取其法线矢量

PCL1.7.1库下使用ransac对点云数据进行分割

Harris是一种高效的角点检测算法，但不具备尺度不变性。
SURF（speeded-uprobustfeatures）算法虽然能很好地解决图像尺度变化问题，但是在特征点提取方面没有Harris稳定。
针对Harris和SURF两种算法的特点，提出一种新的Harris-SURF特征点提取算法。
首先用Harris算法检测图像角点，再用SURF算法提取图像特征点；
然后合并角点和特征点，并剔除重复点获得新的特征点集，确定新特征点的主方向并生成特征描述符，再对图像使用比值法进行初匹配；
最后利用RANSAC剔除错误匹配点实现精确匹配。
实验结果表明，该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性，同时提高了运行效率。

可以运行的图像匹配程序，先用harris焦点检测，再用ncc粗匹配，最后ransac去除误点

RANSAC算法matlab库，解压后可直接调用其中的函数实现RANSAC算法

在中国安防产业中视频监控作为最弥留的信息患上到本领之一，能对于目的实用的提取是弥留而底子的下场，于是本文在此配景下，缭绕对于监控视频的前景目的实用的提取下场，钻研了对于1）动态配景、动态配景的前景目的提取，能在配景繁杂化的前提下，将行为的目的；
2）带发抖视频；
3）动态配景下多摄像头对于多目的提取；
4）涌现颇为责任视频的分辨等下场。
给出了在不合情景下的前景目的提取方案。
下场一是针对于动态配景且摄像头平稳的情景下，若何对于前景目的提取的下场。
在题目申请的底子上，经由对于附件2中多少组视频的阐发，咱们发现齐全前景目的的行为临时且光线明暗变更不明晰。
由于传统的Vibe算法能抑制鬼影然则运行下场不梦想，于是付与建树在帧差法上改善的Vibe算法模子求解下场。
并以及传统的Vibe算法做比力，下场展现改善的Vibe算法明晰优于传统的算法。
并且对于咱们的算法模子做了下场评估。
详尽数据参考评释与附录。
下场二是在配景为动态（若有水波的暴发）的情景下，对于前景目的的提取下场。
在此下场中，由于动态配景存在使患上提掏出的图像帧具备大宗的干扰噪声，对于前景目的的识别以及提取组成干扰，于是咱们提出一种基于全局外表不合型的行为目的检测法。
在用Vibe算法对于场景预检测的底子上，建树稠浊高斯模子分别对于前景以及配景举行全局外表建模，将行为目的检测进去，再引入超像素去噪，进一步优化下场。
详尽下场参考评释与附录。
下场三是在下场一、二底子上的进一步深入。
下场一及下场二是建树在摄像机自身平稳的底子上，而下场三则是在摄像机发抖的情景下。
由于摄像机发抖普通具备扭转战争移，于是咱们建树了坐标变更模子，以仿射变更作为模子底子，松散改善的高精度鲁棒的RANSAC算法提取前景目的，并比力灰度投影法，比力两种模子下场。
详尽下场不雅点释与附录。
下场四是对于前三个下场的综合使用。
使用基于稠浊高斯模子配景建模Vibe算法，对于前景目的举行提取；
选出具备明晰前景目的的参考帧，盘算参考帧中明晰前景目的所占的面积，并将此面积设定为阈值T，遍历齐全的视频帧，盘算其前景目的所占的面积，经由相减比力，判断明晰前景目的。
若判断为明晰前景目的则输入其地址视频帧中的帧号，并将明晰前景涌现的总帧数削减1。
下场五是针对于多摄像头多目的的协同跟踪下场。
在下场二的稠浊高斯模子底子上咱们建树了动态配景提取法，对于络续变更的配景举行实时更新。
再行使单应性解放法对于多目的暴发重叠征兆举行投影将重叠目的区并吞来，对于目的举行定位。
由于目的的络续行为，咱们付与粒子滤波法对于前景目的举行实时跟踪，经由多摄像头的协同通讯实现对于多前景目的的检测。
下场六是针对于监控视频中前景目的涌现颇为情景时候辨能否有颇为责任的下场。
在基于怪异展现的模子上，引入稠浊高斯模子用于学习不合尺度的行为特色法则，而后经由各个单高斯模子中的均值建树一个相似矩阵作为字典。
以测试阶段天生的核矢量为底子，用该部份特色的核矢量盘算基于怪异展现的重构倾向，并将其与已经设定的阈值举行比力，假如重构倾向大于阈值，则判为颇为。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。