Eigen C++运算库 被集成到TensorFlow里面，做矩阵运算效率比较高，方便大家进行嵌入式移植

基于Qt的MinGw编译PCL及其所有依赖库boost、eigen、flann、qhull、VTK的成果，可在Qt直接调用运行

自述文件 - A-KAZE 功能 该库是 AKAZE 特征检测器和描述符算法的实现，其中删除了 OpenCV 依赖项。 这允许更灵活地使用 AKAZE 功能，而无需依赖 OpenCV。 此库的唯一依赖项是特征矩阵库。 我们努力使代码与原始实现保持相对一致，以便更容易跟踪和比较。 主要区别在于： 一切都在命名空间 libAKAZE 中 关键点和描述符是最小的自定义结构，而不是 OpenCV 的结构 图像保存在具有浮点像素的行主特征矩阵中 线程数可以在运行时设置 在我的实验中，这个实现比 OpenCV 实现慢了不到 1.5 倍。 这是因为 OpenCV 有许多用于图像处理的手写 SIMD 优化。 但是，此实现确实提供了与 OpenCV 相同的关键点和描述符（误差在 0.1% 以内）。 注意：如果您有关于如何提高性能（即图像卷积和图像半采样）的建议，请给我发电子邮件或提出请求！ 我还要感

eigen3 使用2019/12最新的eigen3版本（eigen3-latest）编译， 编译方法使用cmake3+vs2017 由于网上基本没有此共享后的include文件和lib文件，所以分享出来。 通常vs下可以使用libeigen*.dll.a(静态库）来进行链接。 分享目录如下 链接：https://pan.baidu.com/s/1rbdRNkcD16r7pq12erGmqg  提取码：cvvc

eigen 矩阵运算库文档手册

利用Eigen计算矩阵的开源的C++库和android的NDK，在android上实现矩阵的计算

eigen-3.4.0.tar

c++代码，利用eigen矩阵库，求解线性方程组。 c++代码，利用eigen矩阵库，求解线性方程组。 c++代码，利用eigen矩阵库，求解线性方程组。 c++代码，利用eigen矩阵库，求解线性方程组。 c++代码，利用eigen矩阵库，求解线性方程组。

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

Wahba 的问题发表于 1965 年，SIAM 评论，第 7 卷，第 3 期。 简而言之，Wabha 的问题是使用参考系中的数字或共同注册的向量和身体坐标中的观察向量来确定（身体的）姿态。 基本上问题是最小化以下成本函数以获得 R，旋转矩阵（或姿态四元数）： L = 0.5 SUM a_i (b_i - R r_i)^2 在哪里a_i - 是权重（代码中的 a） b_i - 身体坐标中的观察值（代码中的 rb） r_i - 参考坐标中共同注册数据点的已知数据库（代码中的 rr） 以上相当于从以下四元数中求解： L = lambda_0 - 跟踪（RB）= lambda_0 - q' K q 在哪里q - 是姿态四元数； 和K - 计算如下 请按照代码。 您将看到方程式如文章中所述被简单地实现。 然而，有一个变化，作者首选使用 Zipfel 的四元数表示顺序，因此： q = [ q