surf的原始论文。
对做图像匹配的朋友有一定协助。
SURF意指加速的具有鲁棒性的特征，由Bay在2006年首次提出，这项技术可以应用于计算机视觉的物体识别以及3D重构中。
SURF算子由SIFT算子改进而来，一般来说，标准的SURF算子比SIFT算子快好几倍，并且在多幅图片下具有更好的鲁棒性。
SURF最大的特征在于采用了harr特征以及积分图像integralimage的概念，这大大加快了程序的运行时间。
对做图像匹配的朋友有一定协助。
SURF意指加速的具有鲁棒性的特征，由Bay在2006年首次提出，这项技术可以应用于计算机视觉的物体识别以及3D重构中。
SURF算子由SIFT算子改进而来，一般来说，标准的SURF算子比SIFT算子快好几倍，并且在多幅图片下具有更好的鲁棒性。
SURF最大的特征在于采用了harr特征以及积分图像integralimage的概念，这大大加快了程序的运行时间。
2022/9/4 22:15:54
4.33MB
1
某物体在XY平面做运动，采样周期为1s，该运动系统的形态方程如式(2-1)所示，其中,为系统的形态向量，各形态变量对应地分别表示方向的位置、方向速度、方向的位置、方向的速度。
为零均值高斯白噪声,。
采用方位角传感器测量运动系统的方位角，作为系统的输出。
系统的输出方程如式（2-2）所示：其中是零均值高斯白噪声，。
假设系统的初始形态,，=0.02。
试利用扩展卡尔曼滤波理论求出的最优估计。
要求：（1）利用Matlab或Python编写仿真程序。
（2）给出各形态变量的真值和估计值曲线变化图。
（3）分别给出的真值与估计值之间的误差曲线变化图，并求出误差的均值和方差。
（4）对滤波效果进行分析。
为零均值高斯白噪声,。
采用方位角传感器测量运动系统的方位角，作为系统的输出。
系统的输出方程如式（2-2）所示：其中是零均值高斯白噪声，。
假设系统的初始形态,，=0.02。
试利用扩展卡尔曼滤波理论求出的最优估计。
要求：（1）利用Matlab或Python编写仿真程序。
（2）给出各形态变量的真值和估计值曲线变化图。
（3）分别给出的真值与估计值之间的误差曲线变化图，并求出误差的均值和方差。
（4）对滤波效果进行分析。
2022/9/3 19:55:27
4KB
1
运动物体的轨迹预测，分别使用卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及数据拟合方法实现。
本例代码仅含扩展卡尔曼滤波部分代码。
本例仅为本人在研究轨迹预测问题时为理解算法原理所写，针对具体问题请自行推敲算法适用性。
本例代码详解后续会在本人博客中做具体说明，欢迎讨论！
本例代码仅含扩展卡尔曼滤波部分代码。
本例仅为本人在研究轨迹预测问题时为理解算法原理所写，针对具体问题请自行推敲算法适用性。
本例代码详解后续会在本人博客中做具体说明，欢迎讨论！
2020/5/20 8:27:48
128KB
1
在自然界中，光源发出的光线向前传播，最后到达一个妨碍它继续传播的物体表面，我们可以将“光线”看作在同样的路径传输的光子流，在完全真空中，这条光线将是一条直线。
但是在现实中，在光路上会遭到三个因素的影响：吸收、反射与折射。
物体表面可能在一个或者多个方向反射全部或者部分光线，它也可能吸收部分光线，使得反射或者折射的光线强度减弱。
如果物体表面是透明的或者半透明的，那么它就会将一部分光线按照不同的方向折射到物体内部，同时吸收部分或者全部光谱或者改变光线的颜色。
吸收、反射以及折射的光线都来自于入射光线，而不会超出入射光线的强度。
例如，一个物体表面不可能反射66%的输入光线，然后再折射50%的输入光线，因为这二者相加将会达到116%。
这样，反射或者折射的光线可以到达其它的物体表面，同样，吸收、反射、折射的光线重新根据入射光线进行计算。
其中一部分光线通过这样的途径传播到我们的眼睛，我们就能够看到最终的渲染图像及场景。
但是在现实中，在光路上会遭到三个因素的影响：吸收、反射与折射。
物体表面可能在一个或者多个方向反射全部或者部分光线，它也可能吸收部分光线，使得反射或者折射的光线强度减弱。
如果物体表面是透明的或者半透明的，那么它就会将一部分光线按照不同的方向折射到物体内部，同时吸收部分或者全部光谱或者改变光线的颜色。
吸收、反射以及折射的光线都来自于入射光线，而不会超出入射光线的强度。
例如，一个物体表面不可能反射66%的输入光线，然后再折射50%的输入光线，因为这二者相加将会达到116%。
这样，反射或者折射的光线可以到达其它的物体表面，同样，吸收、反射、折射的光线重新根据入射光线进行计算。
其中一部分光线通过这样的途径传播到我们的眼睛，我们就能够看到最终的渲染图像及场景。
2016/11/27 9:53:58
1011B
1
3D遊戲剛體旋轉平移C++算法有四元數EULER角變換方向餘弦矩陣互相轉換函式庫適合3D遊戲開發人員模仿學習C++函式庫包含下列多個算法簡單綜整如下构造执行物体-惯性旋转的四元数，方位参数用欧拉角方式给出提取旋转角和旋转轴根据惯性-物体旋转四元数构造方向餘弦矩阵
2019/1/26 18:21:32
12KB
1
1、数据集图片一共1316张，未做数据增强，标签格式有两种，分别为voc格式(xml文件)和yolo格式(txt文件)，下载后需要做数据增强的，可以私信我。
2、数据集亲身收集、爬取，亲手标注，质量还不错。
3、该数据集属于目标检测数据集，可以筛选出制作分类数据集。
备注：使用过程有问题可以私信我
2、数据集亲身收集、爬取，亲手标注，质量还不错。
3、该数据集属于目标检测数据集，可以筛选出制作分类数据集。
备注：使用过程有问题可以私信我
2016/7/20 13:09:04
110.38MB
1
针对现有运动恢复结构算法重建模型存在点云稀疏等问题，提出一种利用不同婚配数据进行模型重建的算法。
首先通过对比上下文直方图(CCH)生成婚配数据，利用M估计抽样一致(MSAC)估算图像基础矩阵，进而分解得到平移和旋转矩阵，并根据相机内参计算投影矩阵，然后利用KLT婚配算法更新婚配数据，最后三角化生成三维点云。
该算法婚配精度高，图像基础矩阵易于收敛，通过位移实现特征点婚配，弥补了图像低频区域婚配数据不足的缺陷。
实验结果表明，与现有算法相比，该算法生成的点云更致密；
在真实环境下，该算法可用于物体三维重建。
首先通过对比上下文直方图(CCH)生成婚配数据，利用M估计抽样一致(MSAC)估算图像基础矩阵，进而分解得到平移和旋转矩阵，并根据相机内参计算投影矩阵，然后利用KLT婚配算法更新婚配数据，最后三角化生成三维点云。
该算法婚配精度高，图像基础矩阵易于收敛，通过位移实现特征点婚配，弥补了图像低频区域婚配数据不足的缺陷。
实验结果表明，与现有算法相比，该算法生成的点云更致密；
在真实环境下，该算法可用于物体三维重建。
2019/3/25 20:36:01
664KB
1
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。
2024-04-09 15:03
15KB