HLOC(Hierarchical-Localization) 是由瑞士ETH Zurich的CVG (Computer Vision and Geometry) 研究组开发的开源视觉定位与三维重建工具箱。它集成了多种深度学习特征提取和匹配方法，号称可无缝对接COLMAP等三维重建软件，但是实际Colmap一直在升级，数据库表格字段等都在不断修改，用新版本会出现数据无法适配问题。核心定位模块化的视

ALIKED（A Lightweight and Keypoint Detection）是一种基于深度学习的局部特征提取方法，由清华大学团队开发。它能够同时检测关键点并生成描述子，具有轻量化、高精度的特点，官方提到的旋转不变性在我的任务中没有得到很好的效果。git仓库轻量高效：模型小、推理快，适合实时应用亚像素精度：关键点定位精确。

原始数据存放在工程目录下的和两个文件夹下面。找到 COLMAP 中sparse/0目录下的三个标准文件：准备两张图像：在COLMAP的images图像中找到两张有重叠区域的图像，记录下文件名字，后面还要从images.txt和points3D.txt中提取特征点坐标、图像位姿、共视场的3D点等信息。先解析原始文件，拿到所有图像的稀疏重建结果，原始文件数据格式可以参考之前的博客。这一步骤主要提取相机

是一个用于图像匹配的深度学习模型，发表于 ICCV 2021。在两张图像之间建立像素级对应关系输入：图像A + 图像B（一对）输出：N个对应点坐标，表示图A中的点对应图B中的哪个位置图像拼接 / 全景生成三维重建视觉定位 / SLAM目标跟踪图像配准✅ 端到端学习方法，无需手工特征提取✅ 支持稀疏和密集匹配✅ 多尺度精化，精度高✅ Cycle consistency验证，提供置信度⚠️ 推理速度较

本文基于工业项目经验，以"智能仓储体积检测系统"为例，介绍激光雷达点云处理项目的环境搭建、核心算法选型及工程实践要点。首先需要根据实际工作场景大小、测量精度要求对雷达进行选型。然后确定开发平台，工业级项目推荐 VS + Qt + PCL + VTK 组合，可实现一套带点云分析、处理、显示功能的客户端软件。算法开发流程如下：原始点云采集 → 直通滤波 → 坐标系转换 (雷达→客户，需标定) → 体素

分别尝试了在Windows下和Ubuntu下安装使用，配置方法差不多都是可行的。

仍是报错了，我这里报的VTK相关的错误，原因是我电脑里有VTK相关工具包，是我手动拷贝的，被opencv自动检测到了，实际编译并不需要VTK，关闭掉VTK相关编译项，重新CMake。下载安装了windows版本4.8.0，发现build下x64里只有vc16并没有适配vs2022的v17，为了防止后续出现莫名其妙的问题，不采纳此方法，用源码编译。下的build文件夹，重新执行前面的构建编译流程，这

曾经添加过子模块：使用添加了子模块删除了配置文件文件被删除或移除了该子模块的配置删除了 .git 目录：子模块文件夹内的.git目录被删除但未清理引用：Git 索引中仍保留着160000模式的 gitlink 引用160000是 Git 内部用于表示 gitlink 的特殊模式码，它告诉 Git：“这个路径不是普通文件，而是指向另一个 Git 仓库特定 commit 的指针”

分别尝试了在Windows下和Ubuntu下安装使用，配置方法差不多都是可行的。

在Ubuntu22.04的docker容器中部署了深度学习算法，发现跑一段时间后推理速度明显变慢，进一步分析发现容器中已经无法识别CUDA，自动切换成CPU推理，执行nvidia-smi也无法输出正常信息。宿主机安装Nvidia驱动和nvidia-container-toolkit，在docker中安装cuda-tookit和cudnn。