【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
- 使用icepdf将pdf文件转换成照片(以及隐藏的一个bug)
首先引入依赖: <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox ...
- tomcat学习之路
一:介绍目录文件夹 bin文件夹:放置可执行文件 startup.bat:脚本文件,windows环境,起服务 shutdown.bat:脚本文件,windows环境,关闭 startup.sh:脚本 ...
- windows jenkins dotnet core 自动化构建webapi
jenkins环境搭建好 注意一下几点: - 需要安装git - 需要安装dotnet core sdk环境 - 遇到这里报错,提示 Repository URL 错误的话,如果确实没有配置错误,重启 ...
- Good Article Good sentence HDU - 4416 (后缀自动机)
Good Article Good sentence \[ Time Limit: 3000 ms\quad Memory Limit: 32768 kB \] 题意 给出一个 \(S\) 串,在给出 ...
- Openwrt build env setup(9)
reference : https://openwrt.org/docs/guide-developer/quickstart-build-images Install dependence pack ...
- vue-cli配置跨域代理
现在使用vue大多使用了前后端分离模式,因此游览器经常显示跨域失败的信息,现在跨域的方式很多种,主要分两大类,ajax跨域,dom跨域,具体的方法就不例举啦. vue-cli作为一个强大的脚手架,内置 ...
- js时间练习
编写代码,将当前日期按"2017-12-27 11:11 星期三"格式输出 var t1 = new Date(); console.log(t1.toLocaleString() ...
- Mysql与Postgresql常用命令比较
PostgreSQL MySQL 服务启动:1)#service postgresql start2)#/etc/init.d/postgresql start3)#su – postgresql$p ...
- hdu2037 今年暑假不AC[贪心][区间调度问题]
目录 题目地址 题干 代码和解释 参考 题目地址 hdu2037 题干 代码和解释 本题使用贪心.有三种贪心策略:开始时间最早,结束时间最早,用时最短.第二种是正确的策略,因为结束得越早,后面就可以有 ...
- leetcode:124. 二叉树中的最大路径和
题目描述: 给定一个非空二叉树,返回其最大路径和. 本题中,路径被定义为一条从树中任意节点出发,达到任意节点的序列.该路径至少包含一个节点,且不一定经过根节点. 示例 1: 输入: [1,2,3] 1 ...