单眼视觉测程 具有4个组成部分的单眼视觉里程表（VO）：初始化，跟踪，局部地图和束调整。 阅读《灌篮高手》后，我做了这个项目。 这也是我于2019年3月在NWU开设的EESC-432 Advanced Computer Vision课程的最终项目。 演示： 在上图中： 左侧是视频和检测到的关键点。 右侧是与左侧视频相对应的摄像机轨迹：白线来自VO；白线来自VO。 绿线是事实。 白线上的红色标记是关键帧。 点是地图点，其中红色的点是新三角剖分的。 您可以在此处下载。 报告 我的pdf版本课程报告在。 与本自述文件相比，它对算法的描述更为清晰，因此我建议阅读。 目录 1.算法 通过以下过程/算法来实现此VO： 1.1。 初始化 估计相对相机姿势： 给定视频，将第一帧（图像）设置为参考，并与第二帧进行特征匹配。 计算两个帧之间的基本矩阵（E）和单应矩阵（H）。 用的方法计算它们的对称传递误差，然后选择更好的一个（即，如果H /（E + H）> 0.45，则选择H）。 将E或H分解为两个帧之间的相对姿势，即旋转（R）和平移（t）。 通过使用OpenCV，E给出1个结果，H给出2个结果，满

基于人眼视差的原理，采用两台性能相同的相机从不同角度对同一物体进行拍摄，然后再根据获取的不同图像的视差计算出物体的实际距离，从而实现了双目立体视觉测距。本文对双目视觉测距系统的各个步骤作了详细介绍，并在相关理论研究的基础上，以MATLAB软件为工具，对其中的步骤进行了一定的改进和优化。

双目视觉测距原理

2.2 单目测距方法二 假设，有效焦距为 f 的 CCD 摄像机安装在载体的顶部， 俯仰角度，距离地面 的高度为 h；地面上有某个被测点P；点P与镜头中心的水平距离为d 。则被测点与 摄像机的光学成像几何关系如图 2 所示： 图 2：单目相机测距原理 其中， 0 O 是镜头的中心； 0 0 ( , )O x y 是光轴与像平面的交点，作为像平面坐标系的 原点； '( , )P x y 是被测点P在像平面的投影。那么，有几何关系：

视觉可以帮助人类粗略的感知外界环境中的事物与自身之间的距离，从 而进行适当的避让，但对于机器人来说，因其自身软硬件的条件约束，是很 难像人类一样高效的利用视觉进行导航的，而视觉导航（尤其是单目视觉） 相对于传统的利用传感器进行导航的方式，其在低成本、实时性以及高精确 度等方面表现出来的优势增加了它的研究价值

采用本体（Ontology）为向量空间模型提供更为丰富、详细的概念空间，在本体的支持下，文档中的术语不再被孤立地看成关键词，而是彼此间有了一定的语义联系。以已获得丰富而详细的本体为前提，考虑当本体空间很大时，解决向量空间的高维数给计算带来复杂性与难度这一问题，提出基于HCA（Hierarchical Clustering Algorithm）的向量空间压缩算法。

单目视觉测距的原理与模型的介绍，重点介绍单目视觉测距的原理

8MATLAB代码为单目视觉测程与KITTI数据集。该方法的目的是利用连续图像之间丰富的信息关系，并利用最小的硬件，即单目视觉传感器来弥补错误的测距传感器。在这个项目中，我们实现了每个图像的特征检测、特征提取和特征匹配方法。还实现了单目视觉测程的流水线，并在KITTI数据集上测试了我们的实现。

这是本人自己做的机器人视觉测距的源程序，机器人能正确判断出三维目标物体的位置和大小，共大家分享。

通过双目视觉测距Python代码，可以运行。