机器视觉算法(第9期)----OpenCV中最最最重要的类型

---- 智能算法，与您携手，沉淀自己，引领AI！

流程控制-9（上）

要想实现这种功能，那就要学会如何去控制程序的运行流程。 3.流程结构 为了方便我们控制程序的运行流程，C语言提供3种流程结构，不同的流程结构可以实现不同的运行流程。 1 int a = 7; 2 3 if ( a > 9 ) 4 printf("aaa"); 5 printf("bbb"); 因为第3行的a>9是不成立的，所以不会执行第4行代码。 ) 8 { 9 printf("a的值小于9"); 10 } 11 } 第3行的a>0是成立的，因此会按顺序执行第4~11大括号中的代码。 执行到第7行的时候，a<9也是成立的，因此会执行第9行代码。 1 int score = 77; 2 3 switch (score/10) { 4 case 10: 5 case 9: 6 printf("优秀"); 7 break; 8 9 case

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

9-流程控制（中）

四、循环结构1-while循环 假如要你在屏幕上重复输出10次Hello World，你会怎么做？简单，把下面的代码拷贝10份就行了。 1 printf("Hello World\n"); 没错，把上次代码写10遍，确实能实现功能。但是这样的代码太垃圾了，有很多的重复的代码，这样会使得代码非常地臃肿，复用率低。因此，不建议这么做。 下次遇到像上面那样重复执行某个操作时，首先要想到的应该是循环结构。所谓循环，就是重复执行某一个操作，C语言中有多种方式可以实现循环结构。先来看看while循环。 1.形式 1 while ( 条件 )

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 ），WMP 通过在模拟器中学习世界模型和策略，其中世界模型通过历史感知信息（包括视觉感知和本体感知）预测未来的感知，策略以世界模型提取的特征作为输入，输出具体控制动作。 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。 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。

算法基础9：散列表

算法是基础，小蓝同学准备些总结一系列算法分享给大家，这是第9篇《散列表》，非常赞！希望对大家有帮助，大家会喜欢！ 前面系列文章： 归并排序 #算法基础#选择和插入排序 由快速排序到分治思想 算法基础：优先队列 二分查找 二叉树查找 平衡查找树概述 平衡树之红黑树 散列表是我们比较简单的一种查找算法，是用这种建议方法的扩展并能够处理更加复杂的类型的键 使用散列表的查找算法分为两步 第一步用散列函数将被查找的键转化为数组的一个索引。理想情况下，不同的键都可以变为不同的索引，但有时有特殊情况，这就涉及到我们的第二步处理碰撞冲突的过程。 一、散列函数键值转换 散列算法有很多种实现，在java中没中类型都需要相应的散列函数，例如;在正整数 最常用的是除留余数法（k%M）。 三、应用 散列表的应用是使用最广泛的算法之一 信息安全领域： Hash算法 可用作加密算法。

9个独特的 CSS 背景视觉效果

其实，借助于CSS和JavaScript的力量，可以创建一些独特的视觉效果，可以使体验更加优雅。 斜切视觉效果 把背景图片进行一定角度的斜切的视觉效果，在最近这段时间已经风靡设计圈了。在之前要实现这样的效果，可能要做很多额外的事情。 渐变动画视觉效果 如果，运用大量背景图片动画，可能会分散用户的注意力。使用渐变颜色的动画，在一些场景下就不会有这样的问题，因为渐变颜色的动画效果非常的微弱，在视觉上不会造成很大的干扰： ? 滚动模糊视觉效果 滚动模糊这种视觉效果也应用的非常广，特别是当你想使用背景图片吸引用户而且还能让用户在滚动的时候阅读图片上文字的时候，就很适合使用它。 滚动改变颜色视觉效果 有时候仅仅是简简单单的改变一下背景的颜色就可以起到四两拨千斤的效果。比如下面这个效果，就是通过监听网页滚动的位置来改变背景颜色，简简单单就可以营造一种别样的视觉效果。 ?

9-选择排序算法

注意点： 不稳定的排序算法 代码： #include <stdio.h> typedef int bool; #define true 1 #define false 0 void swap(int swap(&a[minIndex], &a[i]); } } } int main() { int a[] = {3, 1, 2, 4, 7, 0, 5, 8, 6, 9}

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。 四大算法  拥塞控制主要是四个算法：1）慢启动，2）拥塞避免，3）拥塞发生，4）快速恢复。这四个算法不是一天都搞出来的，这个四算法的发展经历了很多时间，到今天都还在优化中。 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。 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。

每日算法题：Day 9

作者：TeddyZhang，公众号：算法工程师之路 Day 9, Python知识点走起~ 1 编程题 【剑指Offer】树的子结构 输入两棵二叉树A，B，判断B是不是A的子结构。 struct TreeNode *right; 6 TreeNode(int x) : 7 val(x), left(NULL), right(NULL) { 8 } 9} 二叉树的镜像定义：源二叉树 8 / \ 6 10 / \ / \ 5 7 9 11 镜像二叉树 8 / \ 10 6 / \ / \ 11 9 7 5 思路： 这个使用递归的思路就很简单，一般二叉树用递归的方法很多，比如二叉树的遍历也可以使用递归的方法。 进一步说，我们知道多个线程相对独立，有自己的上下文，切换受系统控制；而协程也相对独立，有自己的上下文，但是其切换由自己控制，由当前协程切换到其他协程由当前协程来控制。

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。

Linux探秘坊-------9.进程控制

当进程调⽤⼀种exec函数时,该进程的 ⽤⼾空间代码和数据完全被新程序替换 ,从新程序的启动例程开始执⾏。调⽤exec并不创建新进程,所以调⽤exec前后该进程的 id并未改变。

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。