有了标定的关键尝试,自动化标定就可以再进化,第一步,见图
第二步,见图,一毫米59个ccd像素
第三步,见图
第四步,见图
第五步,见图
第六步,见图
第七步,见图,他大爷的,径向参数在数量级上是对的,为什么是负值?应再查最小二乘法!
第八步,见图,他大爷的,程序中方正ok,截图下来就怂(变形)了!
所有步骤连起来,标定自动化就完成了。
在这个过程中,你是否发现不经意又收到了平坦区域合并的算法,他实质是穿越点的界定的变化,这样,在二维平面上,当行列被自动界定(分割),则另一个好处是,平面任意平坦区域(高斯区域,变化不大区域,模糊区域)尽在掌握,这便开启了模糊匹配的想法。
在这个过程中,你还收获了行列list(序列)是如何归一化的算法,因为你可能收不到harris角点,某行某列,以及多收和干扰。
当你通透了SIFT(scale-invariant feature transform,还未代码实现),你会发现,这个实质是利用了hariss角点的分布为特征在做文章(实现匹配),SIFT只不过是把二维的harris角点映射到了三维空间。learning opencv的光流跟踪算法也就不在话下了,他除了可以跟踪光流,还可以求harris角点,这种二维矩阵运算的推导,实质是最小二乘法变化(换了个面孔),我们也推导和证明了结果相同。补充一句,SIFT的三维矩阵运算推导实质是光流二维矩阵运算的推导的扩展(算法已经证明),而一维则是泰勒展开多项式逼近。(在此,你就会知道吴恩达在机器学习(斯坦福大学课程)中为什么会那么重视矩阵形式的运算推导了)
在你回顾了这些数学知识后,你忽然发现learning opencv的光流推导有一个符号错误,在一维时,偏导数(不存在这种叫法)与微分相同,二维时,即隐函数微分法求出的结果是微分而不是偏导数,而learning opencv却写成了偏导符号。
以上说明,你就可以看到标定求harris角点在人工智能(AI)天空所喷薄而出的光芒,而你不去发觉这机器视觉中已经慢慢隐藏于硬件的标定,你如何能激活人工智能(AI)时代的自己。
待续(慢慢来!...........)每天一点小改变☺