4 CMake 练习书写一个由 cmake 组织的 C++ 工程，要求如下：include/hello.h 和 src/hello.c 构成了 libhello.so 库。hello.c 中提供一个函数 sayHello()，调用此 函数时往屏幕输出一行“Hello SLAM”。我们已经为你准备了 hello.h 和 hello.c 这两个文件，见 “code/”目录下。文件 useHello.c

.5 sophus的使用书中提供的代码useSophus.cpp#include <iostream>#include <cmath>#include <Eigen/Core>#include <Eigen/Geometry>#include "sophus/se3.hpp"#include "sophus/so3.hpp"using namespa

.5非线性优化（0）回顾 SLAM问题的数学表达定义：x：表示自身位置，x1，x2 … xk​y: 表示地图的路标，y1, y2 … yn运动：从 k-1 时刻到 k 时刻，位置 x 如何变化，因此，运动方程即 k 时刻的位置需要借助 k-1 时刻的位置与输入uk确定。即：xk=f(xk−1,uk,wk)x_k=f(x_{k-1},u_k,w_k)xk​=f(xk−1​,uk​,wk​)其中uk为

2.Eigen 矩阵运算设线性方程 Ax = b，在 A 为方阵的前提下，请回答以下问题：在什么条件下，x 有解且唯一？​有解的充分必要条件是：系数矩阵的秩等于增广矩阵的秩，即rank(A)=rank(A, b)高斯消元法的原理是什么?逐步消除未知数来将原始线性系统转化为另一个更简单的等价的系统。用初等行变换把增广矩阵转换为行阶梯阵，然后回代求出方程的解。QR 分解的原理是什么？Cholesky

2.图像去畸变（1）针孔相机模型#include <opencv2/opencv.hpp>#include <string>using namespace std;string image_file = "../test.png";int main(int argc, char *argv[]){//畸变参数double k1 = -0.28340811, k2 = 0.0

对极几何(2D-2D)（1）对极约束理论推导(几何方法)两帧图像，从蓝色到绿色的运动为 R 与 t ，设两个坐标系 O 与 O’ ，在 O 坐标系下点 X 在归一化平面的坐标为 x ，在 O’ 坐标系下 X 在归一化平面的坐标为 x’ 。目的是将第一个坐标系下的坐标转换到第二个坐标系下的在坐标，即用 O‘ 坐标系来描述 O 坐标系下的点。所以计算的 R 是 RO′OR_{O'O}RO′O​ 和tO

特征提取和匹配（1）使用OpenCV提取和匹配#include <iostream>#include <opencv2/core/core.hpp>#include <opencv2/features2d/features2d.hpp>#include <opencv2/highgui/highgui.hpp>#include "opencv2/im

3D-3D：ICP（1）SVD方法首先定义符号：pip_ipi​ ：第二个图像中的数据；pi′p_i'pi′​ ：第一个图像中的数据。具体步骤：（1）定义两组点的质心 ppp与p′p'p′p=1n∑i=1npip=\frac{1}{n}\sum_{i=1}^{n}p_ip=n1​i=1∑n​pi​p′=1n∑i=1npi′p'=\frac{1}{n}\sum_{i=1}^{n}p_i'p′=n1​

一. 光流法2. LK光流2.0 文献阅读Lucas-Kanade 20 Years On: A Unifying Framework就看了这些，MD英文文献看的太费劲了，算法什么的一点都看不懂。。。。。还是借鉴以下别人的吧。。。http://t.csdn.cn/4mzHg2.1文献综述​1）光流法分类分类实例复杂度应用场景Forwards Additive(正向加性)Lucas-Kanade (

16.最小化重影误差求解PnP（1）理论分析非线性优化将相机位姿与空间点位置都看成优化变量，放在一起优化。这一类将相机和三维点放在一起进行最小化的问题统称为 Bundle Adjustment。有 n 个三维空间点 P 及其投影 p ，相机位姿 R 与 t，由以前所学知识，可以得到：siui=KTPis_i u_i = KTP_isi​ui​=KTPi​由于相机位姿未知以及观测点噪声，所以存在误差