机器视觉算法(第6期)----OpenCV中的基础数据类型

上期我们一起学习了常用的图像处理库相关的知识 机器视觉算法(第5期)----常用图像处理库都有哪些？ 今后我们逐步深入，以开源库OpenCV图像处理库为工具，来逐步学习视觉方面的算法。 在计算机视觉算法中，Scalar类有一些与四元向量相关的特殊成员函数，下表列举了一些Scalar支持的操作： ? 6. 固定矩阵类 固定矩阵类是为编译时就已知维度的矩阵打造的，这也是称之为“固定”的原因。由于它内部的所有数据都是在堆栈上分配的，所以它们的分配和清除都很快。 {f,d},其中数字可以是1到6之间的任何数。 其支持的操作有： ? 7. 固定向量类 固定向量类其实是从固定矩阵类派生而来的。固定向量类Vec其实就是一个列为1的固定矩阵类。 为特定实例而准备好的别名格式如下： Vec{2,3,4,5,6}{b,s,w,I,f,d}, 最后一个字符的意义跟前面一样，其中w代表unsigned short，下表表示Vec支持的操作: ?

视觉SLAM算法对比

纯视觉SLAM对比 纯视觉SLAM类别可分为两种主要方法：基于特征的方法和直接方法。视觉的SLAM系统基于二维图像处理，系统通过多视角获取数据，首先执行初始化流程以定义全局坐标系并重建初始地图。 时间 算法 全称 特点 地图密度 全局优化 回环检测 2007 MonoSLAM 单目SLAM 第一个单目SLAM算法 稀疏 无 无 2007 PTAM 平行跟踪和测绘 第一个将跟踪和映射分成两个不同步骤的算法 纯视觉SLAM算法流程概述 MonoSLAM PTAM DTAM SVO LSD-SLAM ORB-SLAM2 CNN-SLAM DSO 3. VI-SLAM算法对比 VI-SLAM算法根据其后端处理方式存在不同实现方案，可分为基于过滤的和基于优化的两种类型。 时间 算法 全称 特点 地图密度 全局优化 回环检测 2007 MSCKF 多状态约束卡尔曼滤波器 包含三大核心步骤：状态传播、图像配准与滤波器更新 稀疏 无 无 2014 LKVIS 基于关键帧的视觉惯性

视觉SLAM算法介绍

REF：视觉即时定位与建图算法综述 1. ⁃惯性：视觉数据与IMU数据融合，形成的视觉⁃惯性SLAM算法能够实时且精确地计算相机的 ６⁃DOF姿态，这种融合方法增强SLAM算法对复杂环境的适应能力，如在光照变化剧烈、场景缺乏特征或存在运动模糊 视觉-激光：多传感器集成的策略发挥了各自传感器的优势，极大提高了 ＳＬＡＭ 算法在面对复杂情境的鲁棒性，特别是在单一传感器可能受限或提供的信息不全时 2. DeepVO算法：是将深度学习应用于视觉里程计的算法，利用卷积神经网络（ＣＮＮ）和循环神经网络（ＲＮＮ）相结合的方法来提取图像特征并进行时序信息处理， 采用端到端的学习方式，从原始图像输入到相机姿态输出 多传感器适配：融入更多传感器，实现多模态感知，综合利用视觉、激光雷达、IMU和超声波等多种感知模式 实时性优化：视觉SLAM算法在减少计算复杂度和内存消耗，主要有三个方向： 轻量化：设计轻量级的深度学习模型和优化算法

机器人视觉控制新范式！ByteDance Research新算法实现通过性能SOTA

其中，Dreamer 算法在多种模拟环境的成功表现让我们看到了世界模型优秀的表征和泛化能力。如果将世界模型应用于复杂真实场景，是否能够实现更好的控制决策呢？ 对此，ByteDance Research 研究团队与上海交通大学合作，成功将世界模型应用于四足机器人视觉控制领域，提出了基于世界模型的感知算法 WMP（World Model-based Perception 在足式机器人的运动控制中，视觉图像信息对于诸如越障等复杂环境是不可或缺的。 凭借强化学习的奖励信号从长序列、高维的视觉信息中学习策略难度极大。 实验结果 模拟实验： WMP 算法使用 Issacgym 模拟器构建的 6 种地形上进行训练：Slope、Stair、Gap、Climb、Crawl、Tilt。 总结 本研究提出了一种新的运动控制框架，通过构筑的世界模型来处理视觉信息和辅助决策，在四足机器人运动控制领域取得了不错的效果。

PID控制算法

PID控制算法是一个在工业控制应用中常见的反馈回路算法，它把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，从而使得整个系统更加准确而稳定。 图片来源[1] 下面我们主要了解PID控制算法的细节及其在机器人/自动驾驶领域的应用。在机器人/自动驾驶领域，一个常见的任务就是使得机器人/自动驾驶车辆移动到目标轨迹上。 如下图所示，控制指令要求车辆转向为0度，但实际上它转了0.5度，这种误差对于人类司机来讲，会自动校正；但是对于自动驾驶系统，需要消除这种误差。

视觉格式化模型-控制框

一、块级元素和块框 块级元素是源文档中那些在视觉上被格式化为块（如：段落）的元素。 匿名行内框

Some emphasized text

​基于机器视觉的视觉刺激BCI系统实现动态控制

视觉刺激(VS)是目前无创BMI应用最广泛的范式之一，具有高精确度和高信息传递率(ITR)等优势。 一个基于机器视觉的增强现实视觉刺激动态范式（AR-VS），利用动态决策时间区分方法解码人的意图，该方法控制基于任务与自运动系统协调的机器人在快速灵活的状态下，实现了更高的灵活性和更快的执行速度。 图1 AR-VS运行过程 (a) 现实环境中的AR-VS；(b) 和（c）为基于AR-VS的机器人控制系统示意图。 图6 （a）为目标基线VS移动速度、功率和谐波频率之间关系；（b）为目标基线功率和谐波频率关系；（c）为AR-VS范式9 Hz处的目标功率比较；（d）为VS触发平均功率 图7 决策时间和精度的关系以及决策时间和信号传导速度的关系 、更多样发展，如同时适应家庭和户外，这种优化还应考虑人/机器视觉与人-机混合系统之间的协调。

机器视觉算法(系列一)--机器视觉简短入门

由于笔者正处于机器视觉行业，所以准备和大家一起系统的学习机器视觉方面相关知识，主要包括常见的机器视觉算法，以及常见的应用领域算法的实现等，欢迎大家的讨论和交流。 ，进而根据判别的结果来控制现场的设备动作。 其中， 为传送带上的被测物体 为合适的拍摄被测物的相机 为标准或定制的光源 为触发图像采集的光电传感器 为计算机或工控机 为相机-计算机接口 为驱动软件采集到的图像 机器视觉算法处理处理过程 为算法返回的检测结果 为数字I/O口 PLC控制器 为现场总线接口 执行机构 上面系统的一般工作流程如下： 被测物体被传输到固定位置后，触发相机采集图像 采集到的图像传入计算机进行算法运算 将运算结果通过控制器返回到执行机构 2.常见的机器视觉应用 下面举几个常见的，必须有机器视觉系统参与的任务： 目标识别用来甄别不同的被测物体，比如物流控制或者根据不同目标进行的不同检测，识别有特殊识别特征的识别物，如字符串，条形码，二维码或被测物体的形状等特性

视觉算法落地复盘

我在视觉算法落地这个坑里摸爬了很多年。从最早的传统图像处理，到后来的目标检测、语义分割，再到现在的大模型视觉。每一次技术迭代，学术界都会吹出一堆牛皮的论文，但没人告诉你落地的时候会遇到什么。 二、老板的热力学定律 每个做视觉算法落地的人，都会遇到一个违反热力学定律的老板。 然后前端同事转头就跟产品经理说"视觉算法太慢了"。你连辩解的机会都没有。 算力第一定律：你能用什么模型，不取决于你的技术水平，而取决于你的算力预算。 视觉算法落地这个领域，没有银弹，没有万能药。 每一个项目都是一次取舍，每一次部署都是一次妥协。你要在精度、速度、成本之间找到平衡点，而这个平衡点每次都不一样。 最后，我想对所有在视觉算法落地一线的同伴们说几句。 这个行业很苦，但也很有意思。你解决的每一个问题都是实打实的，你写的每一行代码都是真正在服务用户的。

TCP 拥塞控制算法

TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。  TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。 而拥塞控制是作用于网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。  拥塞算法需要掌握其状态机和四种算法。 拥塞状态时的算法  一般来说，TCP拥塞控制默认认为网络丢包是由于网络拥塞导致的，所以一般的TCP拥塞控制算法以丢包为网络进入拥塞状态的信号。 所以将ssthresh设置当当时cwnd的一半，也就是6/2 = 3，cwnd设置为3 + 3 = 6。然后重传第五个包。 后记  本文为大家大致描述了TCP拥塞控制的一些机制，但是这些拥塞控制还是有很多缺陷和待优化的地方，业界也在不断推出新的拥塞控制算法，比如说谷歌的BBR。这些我们后续也会继续探讨，请大家继续关注。

机器视觉降龙算法项目

降龙算法十八掌：十八种经典机器视觉算法 出此系列教程的目的是面向处于学习阶段的学生，尤其是想做机器视觉传统算法工程师或者机器视觉软件开发工程师的同学。 如果你想做机器视觉传统算法工程师，那降龙算法十八掌绝对是一本秘籍，掌握十八种在机器视觉行业最为经典的算法实现，注意，不是调库的实现，而是纯自己C++手写实现。 整个单次运行、循环运行和停止运行是靠一个单生产者单消费者队列模型来控制的，会在后续教程种做详细讲解。 视觉窗口：图片显示窗口，支持拖动，放大缩小，双击鼠标居中，图像自适应显示等等，在视觉窗口会显示当前图像或者算法的输出图像。 6. golink=aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zNzIwNDk3My9hcnRpY2xlL2RldGFpbHMvODI1MzA3MTM=)

计算机视觉：撕裂时空的视觉算法革命狂潮

一·本篇介绍： 在科技飞速发展的今天，计算机视觉作为人工智能领域的重要分支，正以前所未有的速度改变着我们的生活。从智能手机的人脸识别解锁功能，到自动驾驶汽车的环境感知系统，计算机视觉技术无处不在。 本文将深入探讨计算机视觉领域的关键技术和算法，并结合 C++ 代码进行详细的实现和分析，带领读者领略这场视觉算法的革命狂潮。 二计算机视觉基础： 2.1 图像表示与处理： 2.1.1 图像的基本概念： 在计算机视觉中，图像通常被表示为一个二维矩阵，矩阵中的每个元素代表一个像素点的颜色值。 OpenCV 是一个广泛应用于计算机视觉领域的开源库，提供了丰富的图像处理和计算机视觉算法。 本篇直观呈现了计算机视觉技术的实现过程。计算机视觉正以前所未有的速度发展，未来将在更多领域创造惊喜，推动科技进步迈向新高度。

6.Go流程控制

6.Go流程控制 前言 前面我们写的程序都是从第一行开始执行，一直执行到末尾，一行一行的顺序执行下来，这种执行结构叫顺序执行结构。 GO语言除了有顺序结构，还有选择结构，循环结构。 >go run 01_if结构.go 请输入用户名: admin 请输入用户的密码: mypass 登录成功 F:\goProject\go-pratice\05_流程控制>go run 01_if结构 E F:\goProject\go-pratice\05_流程控制>go run 04_if_嵌套.go 请输入考试成绩： 60 D 上面的代码我们发现最后都会输出“E”，为什么呢？ F:\goProject\go-pratice\05_流程控制>go run 04_if_嵌套.go 请输入考试成绩： 60 D F:\goProject\go-pratice\05_流程控制>go } } } 执行如下： F:\goProject\go-pratice\05_流程控制>go run 07_if_else_if.go 请输入密码 66 密码错误，请重新输入！！

Python OpenCV 计算机视觉：6~7

绘制 2D 几何 绘制文字 管理可绘制 AI 实体（精灵）的分组 捕获与窗口，键盘，鼠标和操纵杆/游戏手柄相关的各种输入事件 创建自定义事件 播放和合成声音和音乐 例如，Pygame 可能是使用计算机视觉的游戏的合适后端

飞行机器人BeeRotor:用视觉控制飞行

虽然有研究指出，飞行的昆虫是通过重力来感知方向进行导航，实际上，这些研究也表明，这些昆虫也大部分通过视觉控制飞行，即通过复眼视网膜感知周围环境的光流信息。 这种基于视觉的感知机制激发了研究者Fabien Expert和埃克斯·马赛大学研究机构Institut des Sciences du Mouvement Etienne-Jules Marey的Franck 为了更加精确复制昆虫通过感知光流信息控制飞行的能力，研究者们在BeeRotor的“眼睛”上下方安装了24个光电二极管，让机器人感知周围环境。 第一个通过视觉数据控制飞行高度。第二个，通过收集的地势数据控制速度。最后一个用来保持平衡，以避免在没有安装加速计的情况下，急剧倾斜带来的不稳定破坏拍摄效果。

TCP拥塞控制算法简介

TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。  TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。 而拥塞控制作用于整体网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。  拥塞算法需要掌握其状态机和四种算法。 拥塞状态时的算法  一般来说，TCP拥塞控制默认认为网络丢包是由于网络拥塞导致的，所以一般的TCP拥塞控制算法以丢包为网络进入拥塞状态的信号。 所以将ssthresh设置为当时cwnd的一半，也就是6/2 = 3，cwnd设置为3 + 3 = 6。然后重传第五个包。 后记  本文为大家大致描述了TCP拥塞控制的一些机制，但是这些拥塞控制还是有很多缺陷和待优化的地方，业界也在不断推出新的拥塞控制算法，比如说谷歌的BBR。这些我们后续也会继续探讨，请大家继续关注。

TCP拥塞控制算法简介

TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。  TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。 而拥塞控制作用于整体网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。  拥塞算法需要掌握其状态机和四种算法。 拥塞状态时的算法  一般来说，TCP拥塞控制默认认为网络丢包是由于网络拥塞导致的，所以一般的TCP拥塞控制算法以丢包为网络进入拥塞状态的信号。 所以将ssthresh设置为当时cwnd的一半，也就是6/2 = 3，cwnd设置为3 + 3 = 6。然后重传第五个包。 后记  本文为大家大致描述了TCP拥塞控制的一些机制，但是这些拥塞控制还是有很多缺陷和待优化的地方，业界也在不断推出新的拥塞控制算法，比如说谷歌的BBR。这些我们后续也会继续探讨，请大家继续关注。

TCP拥塞控制算法简介

TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。 TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。 而拥塞控制作用于整体网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。 拥塞算法需要掌握其状态机和四种算法。 拥塞状态时的算法 一般来说，TCP拥塞控制默认认为网络丢包是由于网络拥塞导致的，所以一般的TCP拥塞控制算法以丢包为网络进入拥塞状态的信号。 所以将ssthresh设置为当时cwnd的一半，也就是6/2 = 3，cwnd设置为3 + 3 = 6。然后重传第五个包。 后记 本文为大家大致描述了TCP拥塞控制的一些机制，但是这些拥塞控制还是有很多缺陷和待优化的地方，业界也在不断推出新的拥塞控制算法，比如说谷歌的BBR。

启用BBR拥塞控制算法

BBR（Bottleneck Bandwidth and Round-trip time）是谷歌开发的一种TCP拥塞控制算法，它能有效提升网络传输速度和性能，尤其在高延迟、有轻微丢包的场景下效果显著。 检查当前算法查看当前使用的拥塞控制算法sysctl net.ipv4.tcp_congestion_control2. 验证启用确认BBR已成功启用sysctl net.ipv4.tcp_congestion_control检查当前的拥塞控制算法：在启用之前，你可以先查看系统当前使用的算法，通常默认是cubic。 保存并应用配置：保存对 /etc/sysctl.conf 文件的修改后，运行以下命令使更改立即生效：sudo sysctl -p验证BBR是否成功启用：执行以下命令来检查BBR是否已经成为当前的拥塞控制算法 额外检查与说明你也可以使用以下命令查看系统支持的所有拥塞控制算法，确认bbr在其中。

机器视觉边缘检测算法详解

边缘检测相关算法的步骤如下： 1、滤波： 边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。 增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。 边缘检测是机器视觉检测技术的一种，在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。 边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。