【计算机视觉基础】IPM
IPM
code
#if 0
void xyp2ipmp(cv::Mat& xyp, cv::Mat& ipmp, cv::Mat& xylim, Size& sz){ //xylimist_[0]-latteral/xylimist_[1]-longitudinal...
//ipmp-row0-cols-latteral/ipmp-row1-rows-longitudinal... double xmin = , xmax = , ymin = , ymax = ;
minMaxLoc(xylim.row(), &xmin, &xmax);
minMaxLoc(xylim.row(), &ymin, &ymax); double stepcol = (xmax - xmin) / sz.width;
double steprow = (ymax - ymin) / sz.height; cv::Mat tempx = cv::Mat::ones(, xyp.cols, CV_64FC1) * xmin;
cv::Mat tempy = cv::Mat::ones(, xyp.cols, CV_64FC1) * ymax; ipmp = cv::Mat::zeros(, xyp.cols, CV_64FC1);
ipmp.rowRange(, ) = ( xyp.rowRange(, ) - tempx ) / stepcol;
ipmp.rowRange(, ) = ( tempy - xyp.rowRange(, ) ) / steprow;
for (int i = ; i < xyp.cols; i++ )
{
double y = ipmp.at<double>(, i);
if( y > ymax){
ipmp.at<double>(, i) = ymax;
}
} }
#endif
code
#if 0
//IPM-parameters...
double left_upper_x = ;//left
double left_upper_y = ;//top-greater than 320...
double right_down_x = ;//right...
double right_down_y = ;//bottom...
double uvlimist[] = { left_upper_x, right_down_x, left_upper_x, right_down_x,
left_upper_y, left_upper_y, right_down_y, right_down_y };
cv::Mat uvlmt = cv::Mat(, , CV_64FC1, uvlimist); //I2G
cv::Mat xylimit;
imagetoground(uvlmt, xylimit, h, roll, pitch, camera_param_KK);
//G2I
cv::Mat uvgd;
cv::Size sz = cv::Size(PROB_W, PROB_H);//Size(srcimage.cols, srcimage.rows)
groundtoimage(xylimit, uvgd, sz, h, roll, pitch, camera_param_KK );
#endif
code
#if 1
//IPM...
cv::Mat outimage, coord;
src2ipm( prob, uvgd, outimage, coord, sz, h, roll, pitch, camera_param_KK );
outimage.convertTo(outimage, CV_8UC1);
cv::Mat ipm3 = cv::Mat::zeros(PROB_H, PROB_W, CV_8UC3);
cv::cvtColor(outimage, ipm3, COLOR_GRAY2BGR); //
//cv::Mat uvp = cv::Mat::zeros(2, probp.size(), CV_8UC1);
cv::Mat uvp = cv::Mat::zeros(, probp.size(), CV_64FC1);//data-type...
for (unsigned int i = ; i <probp.size(); i++ )
{
uvp.at<double>(, i) = probp[i].x;//cols-width.
uvp.at<double>(, i) = probp[i].y;//rows-height.
//std::cout << uvp.at<double>(0, i) << "-----" << probp[i].x <<std::endl;
//std::cout << uvp.at<double>(1, i) << "-----" << probp[i].y <<std::endl;
}
cv::Mat ipmps, xyp;
//std::cout << "uvp:" << uvp << std::endl;
imagetoground(uvp, xyp, h, roll, pitch, camera_param_KK);
xyp2ipmp(xyp, ipmps, xylimit, sz);
ipmps.convertTo(ipmps, CV_32SC1);
for (unsigned int i = ; i <probp.size(); i++ )
{
cv::Point ipmp;
ipmp.x = ipmps.at<int>(, i);
ipmp.y = ipmps.at<int>(, i);
if (plabel[i] == )//-barrier
{
cv::circle(ipm3, ipmp, , cv::Scalar(, , ), -); //
//cv::putText(orig, std::to_string(i), pt, CV_FONT_NORMAL, 0.1, cv::Scalar(255, 255, 255));
}
else if (plabel[i] == )//-undifined
{
cv::circle(ipm3, ipmp, , cv::Scalar(, , ), -); //
//cv::putText(orig, std::to_string(i), pt, CV_FONT_NORMAL, 0.1, cv::Scalar(255, 255, 255));
} } cv::imshow("ipmp", ipm3);
cv::waitKey();//unit-ms.
sprintf(output_path,"./ipmp/00000%05d.png",cnt);
cv::imwrite(output_path, ipm3);
#endif
参考
完
【计算机视觉基础】IPM的更多相关文章
- 『cs231n』计算机视觉基础
线性分类器损失函数明细: 『cs231n』线性分类器损失函数 最优化Optimiz部分代码: 1.随机搜索 bestloss = float('inf') # 无穷大 for num in range ...
- 从CVPR 2014看计算机视觉领域的最新热点
编者按:2014年度计算机视觉方向的顶级会议CVPR上月落下帷幕.在这次大会中,微软亚洲研究院共有15篇论文入选.今年的CVPR上有哪些让人眼前一亮的研究,又反映出哪些趋势?来听赴美参加会议的微软亚洲 ...
- 关于Qt画点及计算机专业基础课程介绍
在计算机图形图像学中,开始都是先画点,我曾经在汇编上tc2.0上画点,后来是MFC,VB,Qt,Python,我觉得对于计算机专业的选择QT的原因是它是个C系的功能强大庞大的库,可以少写很多代码,但是 ...
- 从CVPR 2014看计算机视觉领域的最新热点
2014看计算机视觉领域的最新热点" title="从CVPR 2014看计算机视觉领域的最新热点"> 编者按:2014年度计算机视觉方向的顶级会议CVPR上月落下 ...
- BETA随笔6/7
前言 我们居然又冲刺了·六 团队代码管理github 站立会议 队名:PMS 530雨勤(组长) 过去两天完成了哪些任务 新方案代码比之前的更简单,但是对场景的要求相应变高了,已经实现,误差感人 代码 ...
- BETA5/7
前言 我们居然又冲刺了·五 团队代码管理github 站立会议 队名:PMS 530雨勤(组长) 过去两天完成了哪些任务 前一份代码方案全部垮掉,我,重构啦 接下来的计划 加速加速,一定要完成速度模块 ...
- 人工智能头条(公开课笔记)+AI科技大本营——一拨微信公众号文章
不错的 Tutorial: 从零到一学习计算机视觉:朋友圈爆款背后的计算机视觉技术与应用 | 公开课笔记 分享人 | 叶聪(腾讯云 AI 和大数据中心高级研发工程师) 整 理 | Leo 出 ...
- CV1——学习笔记
计算机视觉(computer vision)是从图像和视频中提出数值或符号信息的计算系统,更形象一点说,计算机视觉是让计算机具备像人类一样的眼睛,看到图像,并理解图像. 计算机视觉三大应用:识别.检测 ...
- CNN卷积神经网络详解
前言 在学计算机视觉的这段时间里整理了不少的笔记,想着就把这些笔记再重新整理出来,然后写成Blog和大家一起分享.目前的计划如下(以下网络全部使用Pytorch搭建): 专题一:计算机视觉基础 介 ...
随机推荐
- postman:设置环境变量(参数化 & 关联)
postman是测试接口的主要工具之一 我们的测试环境主要分为test(测试环境)和pre_production(预生产环境),而他们的api都是一样的,只是ip及端口不一样 所以,我们可以设置环境变 ...
- js定时器关闭,js定时器停止,一次关闭所有正在运行的定时器,自定义函数clearIntervals()一次关闭所有正在运行的定时器
js定时器关闭,一次关闭所有正在运行的定时器,自定义函数clearIntervals()一次关闭所有正在运行的定时器,原理:利用数组存储定时器id,然后遍历数组,关闭定时器 附上页面的截图,代码在截图 ...
- 第6章 初识MyBatis
6.1 什么是MyBatis Mybatis(前身是iBatis)是一个支持普通SQL查询.存储过程以及高级映射的持久层框架.MyBatis框架也被称为ORM(Object/Relational Ma ...
- org.springframework.security.access.AccessDeniedException: Access is denied
org.springframework.security.access.AccessDeniedException: Access is denied at org.springframework.s ...
- [Algorithm] 171. Excel Sheet Column Number
Given a column title as appear in an Excel sheet, return its corresponding column number. For exampl ...
- LeetCode 499. The Maze III
原题链接在这里:https://leetcode.com/problems/the-maze-iii/ 题目: There is a ball in a maze with empty spaces ...
- VisualStudio中集成扩展调试SOS
SOS扩展也是可以和VisualStudio进行集成的,这样真的方便了我们调试一些性能要求比较高的程序,当程序运行一段时间后我们用VS附加到进程,然后查看一些重要的对象数据,但是此时我们看不到.NET ...
- 10-网页,网站,微信公众号基础入门(使用微信自带配置选项实现Airkiss配网)
https://www.cnblogs.com/yangfengwu/p/11066036.html 如果提交失败多提交两次,只要上一节可以,,这一节一定可以的 如果没有设备 这个是我的二维码 咱就测 ...
- A@[G!C]%008
A@[G!C]%008 A Simple Calculator 细节题. B Contiguous Repainting 最后只要有连续\(K\)个鸽子同色就可以构造方案,枚举+前缀和 C Tetro ...
- 第09组 Alpha冲刺(4/6)
队名:观光队 组长博客 作业博客 组员实践情况 王耀鑫 过去两天完成了哪些任务 文字/口头描述 完成服务器连接数据库部分代码 展示GitHub当日代码/文档签入记录 接下来的计划 服务器网络请求,vu ...