本文介绍了从稀疏路标点到稠密地图构建的关键技术。针对单目相机无法直接获取深度信息的问题，提出通过极线搜索和块匹配实现稠密重建。具体采用SAD、SSD和NCC三种相似度度量方法进行像素块匹配，并利用深度滤波器将观测信息融合到高斯分布中，逐步优化深度估计。通过推导几何不确定性模型，设定收敛阈值判断深度数据稳定性。最后给出基于OpenCV和Sophus的代码实现框架，包括极线搜索、深度滤波更新等核心功能

总所周知，当我们在ros中使用opencv加载onnx文件时可能会遇到加载模型失败的情况，这大概率是因为ros-noetic自带的ros版本是4.2.0 ，版本太低导致的，这时候就需要使用新版本的opencv。1. 按下“ctrl + F”搜索include就可以很快找到，将原来的注释掉，红线部分改为自己下载好的新版本的opencv的对应路径。防止你们认错，这里的路径下文件长这样（注意，这一步不要

介于在一些情况下，未完全删除nvidia和cuda的残留可能导致再次安装失败，故写此文。

确定状态：先进行级联匹配，对于指定帧数内，按照丢失次数多少排优先级，按优先级和对应的Detection进行匹配，未匹配上的进入iou匹配，对于丢失的物体，连续丢失超过阈值才进行舍弃。当检测到一个物体，对其直接进行iou匹配，如果没有对应的detection，初始化一个新的Track。–中心坐标（cx, cy）， 高宽比r， 高h， 以及各自的速度变化值。根据上一时刻（t - 1）的状态估计值来预测

本文将对如何快速获取属于自己的模型展开简要介绍，从数据准备、模型训练到最终部署，一步步助力大家迅速领略深度学习的独特魅力。