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
针对Harris算法在图像处理过程中特征点提取实时性和抗噪能力较差、计算量大的问题,提出一种结合像素点灰度差的Harris角点检测算法。
将被检测点与半径为3的邻近圆周上16个像素点作对比,以此计算非类似像素点的个数来确定候选角点,通过Harris角点响应函数提取角点,并结合SUSAN算法的思想去除伪角点。
实验结果表明,改进算法提高了原算法的实时性,增加了角点提取的数量,并且能有效去除大多数伪角点,提高图像角点检测的速度和正确性。
将被检测点与半径为3的邻近圆周上16个像素点作对比,以此计算非类似像素点的个数来确定候选角点,通过Harris角点响应函数提取角点,并结合SUSAN算法的思想去除伪角点。
实验结果表明,改进算法提高了原算法的实时性,增加了角点提取的数量,并且能有效去除大多数伪角点,提高图像角点检测的速度和正确性。
2015/8/21 4:41:46
1.05MB
1
针对水下双目图像匹配时不再满足空气中极线约束条件以及尺度不变特征变换(SIFT)特征匹配算法处理水下图像误匹配率较高等问题，提出一种基于曲线约束的水下特征匹配算法。
对双目摄像机进行标定获取相关参数，再获取参考图和待匹配图；
利用SIFT算法对两幅图像进行匹配，同时利用由参考图提取的特征点推导出其在待匹配图上对应的曲线，将该曲线作为约束条件判定待匹配图上对应特征点能否在曲线上，从而剔除误匹配点，以达到提高精度的目的。
实验结果表明，该算法优于SIFT算法，可以有效地剔除误匹配点，比SIFT算法匹配精度提高约12%，解决了SIFT算法在水下双目立体匹配中误匹配率高的问题。
对双目摄像机进行标定获取相关参数，再获取参考图和待匹配图；
利用SIFT算法对两幅图像进行匹配，同时利用由参考图提取的特征点推导出其在待匹配图上对应的曲线，将该曲线作为约束条件判定待匹配图上对应特征点能否在曲线上，从而剔除误匹配点，以达到提高精度的目的。
实验结果表明，该算法优于SIFT算法，可以有效地剔除误匹配点，比SIFT算法匹配精度提高约12%，解决了SIFT算法在水下双目立体匹配中误匹配率高的问题。
2020/6/1 11:40:56
4.22MB
1
该文件为我调研和筛选之后的基于消失点的相机标定的经典文献。
基于消失点的标定方法主流的有微软研讨院的方案和其他方案的。
微软研讨院的是针对交通场景，它利用车辆的特征：比如后视镜、车辆正中心、车辆大灯等特征点。
基于消失点的标定方法主流的有微软研讨院的方案和其他方案的。
微软研讨院的是针对交通场景，它利用车辆的特征：比如后视镜、车辆正中心、车辆大灯等特征点。
2019/8/24 8:57:32
73.79MB
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