表達三維場景,演算法在重建的三維物體上疊加乙個均勻的三維網格,每個網格體素儲存其中心到最近的三維物體表面間的距離.
（待更）
稀疏重建：
通常是重建一些影象特徵點的深度，這個在基於特徵的視覺slam裡比較常見，得到的特徵點的深度可以用來計算相機位姿。稀疏重建在實際應用，比如檢測，避障，不能滿足需求。
半稠密重建：
通常是重建影象紋理或梯度比較明顯的區域，這些區域特徵比較鮮明。半稠密重建在直接法視覺slam裡比較常見。重建的三維點雲相對稠密，可以滿足部分應用需求。
稠密重建：
稠密重建是對整個影象或者影象中的絕大部分畫素進行重建。與稀疏、半稠密相比，稠密重建對場景的三維資訊理解更全面，更能符合應用需求。但是，由於要重建的點雲數量太多，相對耗時。
原理：opencv中濾除誤匹配對採用ransac演算法尋找乙個最佳單應性矩陣h，矩陣大小為3×3。ransac目的是找到最優的引數矩陣使得滿足該矩陣的資料點個數最多，通常令h33=1來歸一化矩陣。由於單應性矩陣有8個未知引數，至少需要8個線性方程求解，對應到點位置資訊上，一組點對可以列出兩個方程，則至少包含4組匹配點對。
ransac演算法步驟：
1. 隨機從資料集中隨機抽出4個樣本資料 (此4個樣本之間不能共線)，計算出變換矩陣h，記為模型m；
2. 計算資料集中所有資料與模型m的投影誤差，若誤差小於閾值，加入內點集 i ；
3. 如果當前內點集 i 元素個數大於最優內點集 i_best , 則更新 i_best = i，同時更新迭代次數k ;
4. 如果迭代次數大於k,則退出 ; 否則迭代次數加1，並重複上述步驟
簡化版本，帶圖形象解釋：（random sample consensus，ransac）
**《移動機械人的視覺定位系統研究_黃山》解釋較為細緻透徹
卡爾曼濾波（kalman filtering）一種利用線性系統狀態方程，通過系統輸入輸出觀測資料，對系統狀態進行最優估計的演算法。由於觀測資料中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
資料濾波是去除雜訊還原真實資料的一種資料處理技術, kalman濾波在測量方差已知的情況下能夠從一系列存在測量雜訊的資料中，估計動態系統的狀態. 由於, 它便於計算機程式設計實現, 並能夠對現場採集的資料進行實時的更新和處理, kalman濾波是目前應用最為廣泛的濾波方法, 在通訊, 導航, 制導與控制等多領域得到了較好的應用.
kalman濾波演算法的本質就是利用兩個正態分佈的融合仍是正態分佈這一特性進行迭代而已。
卡爾曼濾波的乙個典型例項是從一組有限的，包含雜訊的，對物體位置的觀察序列（可能有偏差）**出物體的位置的座標及速度。在很多任務程應用(如雷達、計算機視覺)中都可以找到它的身影。同時，卡爾曼濾波也是控制理論以及控制系統工程中的乙個重要課題。例如,對於雷達來說，人們感興趣的是其能夠跟蹤目標。但目標的位置、速度、加速度的測量值往往在任何時候都有雜訊。卡爾曼濾波利用目標的動態資訊，設法去掉雜訊的影響，得到乙個關於目標位置的好的估計。這個估計可以是對當前目標位置的估計(濾波)，也可以是對於將來位置的估計(**)，也可以是對過去位置的估計(插值或平滑)。
視覺理論學習 特徵檢測
影象的幾何矩 fast演算法 用於角點檢測 設定乙個畫素點p和乙個閾值t，若閾值內的畫素點滿足條件，則接受p為角點 fast核心思想就是找出那些卓爾不群的點，即拿乙個點跟它周圍的點比較，如果它和其中大部分的點都不一樣就可以認為它是乙個特徵點。brief演算法 brief binary robust ...
PMI理論學習
pmi九大知識領域 整合管理 工作範圍管理 時間管理 費用管理 質量管理 人力資源管理 溝通管理 風險管理和採購管理 和五個專案管理過程 啟動 計畫 執行 控制 收尾 九大知識領域包括 1 專案範圍管理 是為了實現專案的目標，對專案的工作內容進行控制的管理過程。它包括範圍的界定，範圍的規劃，範圍的調...
LSTM理論學習
lstm最關鍵的就是實現cell state的傳輸，而gate的存在決定傳輸過程中，以前的cell state資訊多少需要拋棄，多少輸入資訊需要加入新的cell state，多少資訊需要輸出。所以有forget,input,output三個gate 忘記多少cell state forget gat...