随着工厂自动化、智能化发展，AGV小车在制造业领域运用的炉火纯青，它不仅提高了生产物流的自动化程度，还加快了生产效率，降低了人工成本。随着AGV小车的不断发展，AGV衍生出了电磁导航、磁带导航、惯性导航、激光导航、二维码导航等多种导航方式，其中激光导航及二维码导航优势比较明显。 二维码导航属于视觉识别，在铺设、改变路径上也较容易；对声光无干扰，便于控制。而且，无人，这种一听上去就是人工智能的i
首先 首先我想先介绍一下，什么是对象跟踪和GOTURN。 GOTURN（Generic Object Tracking Using Regression Networks）本身是一种基于深度学习的目标跟踪算法，在Caffe中搭建。 GOTURN通过以离线方式学习对象的运动，改变了之前部分深度学习进行跟踪问题训练的方式。其模型在许多视频上已经得到了训练，为此在我们运行时不再需要进行任何学习。
首先 首先我想进行介绍的是关于显著性检测的有关内容。 关于显著性检测，其本身是一种视觉注意机制：当我们观察某一个场景的时候，时常会选择性地忽略不感兴趣的区域、聚焦于感兴趣的区域。对于这种感兴趣的区域的提取算法，我们将其称为视觉显著性检测（Visual Saliency Detection，VSD）如下图所示：在人眼的观察过程中，会对天上的白云以及草地上的牛群最先产生反应，而自动忽略了背景区域
利用深度相机采集深度图和彩色图会面临一个问题，如何实现同步采集数据？ 以下是我搜集到的两点方法： 1）Intel官方提供的realsense开发包中，有一份save-to-disk的CPP源码。运行该代码可以同步获取彩色图和深度图。 Note：我在编译安装SDK的时候，运行了make install，将执行文件安装到 /usr/local/bin 目录中。在该目录中运行代码时，受权限限制，获取的图
概念介绍 首先我想先介绍下有关的一些概念。 第一个概念：分辨率 图像分辨率指图像中存储的信息量，指的是每英寸图像内有多少个像素点，分辨率的单位为PPI（Pixels Per Inch），通常叫做像素每英寸。一般情况下，图像分辨率越高，图像中包含的细节就越多，信息量也越大。图像分辨率分为空间分辨率和时间分辨率。通常，分辨率被表示成每一个方向上的像素数量，例如64*64的二维图像。但分辨率的高
首先 首先，我想说明的是本文的主要任务在于文本的检测，而非识别。在文本检测中，我们只检测文本周围的边界框。但是，在文本识别中，我们实际上得到了框中所写的实际内容。两者其实是一个递进的关系。 前提准备 在本文中，主要需要使用到一个基于tensorflow的模型，而此处我们需要基于OpenCV来调用该tensorflow模型，且OpenCV的版本不能过低（我之前实验的时候使用的版本是3.4.2
最近都在准备雅思及出国，所以没有空总结，这里先贴出来paper里的一些结果及参考网站，等之后再补充细节步骤及代码说明等等。已经发了，详情请见下一篇文章进行了步骤总结。 参考网站： https://zhuanlan.zhihu.com/6d-pose 这个是上交的一个博士的成果，我所做的一切也是在这个基础上完成。之前和这位前辈交流过真的受益匪浅，以后还是要多多和他交流进步。 https:/
摘要：在ROS kinetic下，利用realsense D435深度相机采集校准的RGBD图片，合成点云，在rviz中查看点云，最后保存成pcd文件。 一、 各种bug 代码编译成功后，打开rviz添加pointcloud2选项卡，当我订阅合成点云时，可视化失败，选项卡报错： 1）Data size (9394656 bytes) does not match width (640) times
首先 在这一章节中，我主要想要进行介绍的是关于运动背景分割法（Background Segment，BS）方法的介绍。 其主要进行的是：通过不同方法拟合各种模型来建立起背景图像。之后再将当前帧与背景图像进行相减，从而得到运动的区域，该思想与时间背景中值差分的思想相似，感兴趣的读者可以前往进行查看：时间中值滤波 假设我们当前已经获得了某个背景图片，此时镜头内会出现障碍物，例如车辆或其他移动物
作者针对LineMod算法不能解决多目标重叠物体复杂场景下的识别的问题，以及Patch-LineMod算法识别机制不够合理，特征分类形成模板的过程依据不够充分的问题，升级为CT-LineMod算法，一定程度上解决了复杂场景重叠物体的识别的问题并提升了识别率和准确度。模型的源代码以及文章如下，目前文章已被CC录用，应该不久就可以查到（COGN-D-19-00232R1）。文献引用：Tieli
使用RealsenseD435i运行VINS-FusionVINS-Fusion是基于双目的视觉惯导方案，不太符合我目前的需求，但这是我使用的第一个视觉SLAM方案，接下来还是简单记录下 运行环境硬件环境：Up2、RealsenseD435i 软件环境：Ubuntu18.04、ROS melodic、librealsense2.29、realsense-ros2.2.9 安装首先需要安装Ceres
在运行VINS-MONO、VINS-Fusion等SLAM方案的时候，需要很准确的相机参数，否则很容易漂移。本文是RealsenseD435i相机标定过程的记录，标定主要有三个步骤 IMU标定 相机标定 IMU与相机联合标定 IMU标定这里使用imu_utils标定imu，在安装imu_utils之前，要先安装ceres-solver和code_utils，ceres-solver安装见Ins
代码解析参考 LineMod算法已经是比较成熟的算法，在Ubuntu里直接作为一个算法包嵌入进去，可以直接下载用。 运行环境：Ubuntu16.04+ROS Kinetic+PCL http://campar.in.tum.de/pub/hinterstoisser2011linemod/hinterstoisser2011linemod.pdf https://blog.csdn.net/zmd
RoboMaster机甲大师——视觉组——总结与未来期望FOR THE SIGMAFOR THE GTINDERFOR THE ROBOMASTER 入坑指南 各兵种需要的视觉：步兵-每年必备的，需要自瞄算法，以供机器人精准打击敌方装甲板，同时也需要能量机关瞄准算法，以供机器人有效打击大小符能量机关，在此基础上也需要电控或是视觉看看谁或者移动预测的英雄-每年必备的，需要自瞄算法，以供机器人精准打击
最近在网易云课堂把南科大于仕琪团队的OpenCV教程完整看了一遍，对图像处理或者机器视觉又有了一个系统性的理解。OpenCV中文网站就是他创建的，他的研究团队及其相应成果可以在个人网站中查阅。回想过去在图像处理方面的点点滴滴，做了一个详细的梳理和总结。希望各路大侠能各抒已见，提出宝贵意见或建议，从而也能得到一些启发和感悟，便于更好得根植这个方向。 1 初识图像处理1.1 视频中的车流量统计最开始接
ubuntu开机自启动脚本分析FOR THE SIGMAFOR THE GTINDERFOR THE ROBOMASTER 简介：很久没更新了，感觉自己太弗拉不堪了，这次主要分享的是在视觉程序写好后，调试通信完成后的要做的事情——自启动脚本，本脚本可以放在桌面也可以放在home文件里面，部分带有解析。主要实现：实时监测进程，若依旧运行着继续看守，若被杀死则立刻重新运行操作系统版本：Ubuntu16
RoboMaster机甲大师——视觉组——计算平台（工控机）的选型与感想（主流几款） FOR THE SIGMAFOR THE GTINDERFOR THE ROBOMASTER 简介： 本篇文章主要介绍在进行图像处理时，作为核心处理的计算平台的选型与自己的一些使用感想，同时也罗列了一些RM比赛中常见的几个计算平台（机载PC）。由于博主并非专业人士（目前暂时没有从事相关专业的决定），可能在叙述时
python语言越来越火，感觉再不使用就要out了。以前用C++做过一些关于OpenCV的小项目，这次用python试试。 一、python-OpenCV环境搭建 现在再来搭建python和OpenCV的环境实在太方便了，各种封装很完备，各种资料也很容易查找到。 一般来说有两种方式， pycharm加本地安装的python环境用pip下载安装，在命令行窗口仅需输入pip install ope
论文 Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID 主要贡献 提出Hybrid memory混合记忆模型 在无监督方法中将聚类得到的异常值也加以利用 提出统一对比损失 提出聚类可靠性评估方法 Pipeline 初始化1：在ImageNet上初始化cnn编码网络F 初始化2
一、算法原理 CT-LineMod算法信息层级处理结构图如图所示。三维物体的原始点云数据输入后，本模型通过计算每个3D特征点的四个附加特征（梯度方向、梯度幅度、表面法向量方向、表面法向量幅度）形成图b的7D特征向量。之后通过集成特征点邻域s*s区域范围内的特征作为待匹配特征块，通过K-means均值化降维为新的3D空间向量，依据Müller-Lyer错觉效应的原理对特征块分配成为更有相关性的特
第三方账号登入
看不清？点击更换
第三方账号登入
QQ 微博