根据单目视觉定位所用图像帧数不同把定位方法分为基于单帧图像的定位和基于双帧或者多帧图像的定位两类。

3.7 多目标识别 若场景中存在多个目标，则可以通过多目标识别和定位进一步提高精度。另 外，在跟踪过程中，若因为遮挡、光照等因素，某个目标跟踪失败后，还可以通 过其它场景中的目标继续实现定位，因此多目标识别可以提高算法鲁棒性。 Harris-SIFT 特征匹配 目标1目标 0 目标N 仿射检验 仿射检验 仿射检验 目标 0 目标 4 ⋯ 目标 N 成 功 失 败 成 功 目标数据库 终止 图 3-12 多目标识别示意图 Figure 3-12 Framework of multiple-object recognition 如图 3-12所示，和单目标识别一样，多目标识别也分为特征匹配、仿射检验、 模式识别三步，不同的是，需要对匹配特征点集合按目标分类，再依次对各个类 别进行仿射检验，以判断当前场景中是否存在某个目标，算法概括如下： 离线：使用 Harris-SIFT建立目标数据库 在线： 1. 从当前场景图像提取 Harris-SIFT特征点 2. 快速搜索近似最近邻居，得到匹配特征点集合 3. 将匹配特征点按目标类别分类

基于深度学习的荷斯坦弗里斯兰牛的视觉定位和个体识别，共90个个体文件夹，每个文件夹里有视频监控所拍下的4030张不等奶牛图片 基于深度学习的荷斯坦弗里斯兰牛的视觉定位和个体识别，共90个个体文件夹，每个文件夹里有视频监控所拍下的4030张不等奶牛图片

机器视觉 C#联合海康SDK算子二次开发 模板匹配 机械手跟踪视觉定位 VS2015 全部源码

Let’s Take This Online: Adapting Scene Coordinate Regression Network Predictions for Online RGB-D Camera Relocalisation

开源工程VS-net安装及数据集评测

Pixloc工程评估数据集

from YouTube

PixLoc视觉定位作者讲解视频

资源包含文件：docx和pdf+开题答辩+中期答辩+毕业答辩+外文翻译+源文件及数据+项目截图 本文的局部点云构建模块采用了三个平行算法，分别是基于单目视觉的SfM算法、基于激光雷达的LOAM算法以及基于图像激光全景扫描仪的方法，这些算法都能够得到场景的局部点云地图，但是其精度与采集成本各不相同，在实际场景中可以根据实际情况来对方法进行选择。同时，本文也在大礼堂门口分别采用这三种方式进行了数据采集与重建实验并进行了对比。 本文的点云融合模块采用了一个由粗到精的配准框架。在点云的粗匹配阶段，先利用FPFH算法求取点云中每个点的特征描述子并构建kd-tree以便搜索，然后利用RANSAC方法估计两个点云之间的转移矩阵，得到点对匹配关系。将得到的匹配关系输入3DRegNet网络，消除其中的噪声，即错误匹配对，得到了更准确的匹配对，进而得到了精细化的点云匹配结果。本文在自己采集的数据集上进行了双点云与多点云的融合实验，结果均证明了此方法在点云融合上式有效的 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125655404