技术标签: 3d 机器人 计算机视觉 从0到1搭建一套属于你自己的高精度实时结构光3D相机 开源软件 相机
在前面的博客中,介绍了采用同心双圆环靶标下的相机标定算法与代码实践。在这篇博客中,博主将介绍结构光相机模型与逆相机法投影仪标定。完成本篇博客的学习内容后,你将收获投影仪逆相机法标定和结构光相机模型算法与代码实践经验。
本系列博客的完整项目代码皆位于博主的Github项目SLMaster中:
https://github.com/Practice3DVision/SLMaster
动动你的小指头给个Star并follow博主吧!你的支持是博主不懈的动力!
关注公众号,每天推送不迷路!更多技术博客在公众号与你分享!
结构光系统模型也就是以数学形式表达条纹投影系统中的关系,一般将结构光系统模型分为相位高度模型和三角测量模型。在相位高度模型中,物体的高度是相对于参考平面计算的,高度是相位的函数。在三角测量模型中,将投影仪视为相机,从而构建立体视觉并通过三角测量原理恢复物体的深度。
博主对上述两种系统模型都标定实验过,个人认为三角测量模型比较方便好用,具体原因有以下几点:
所以博主在这里推荐三角测量模型作为结构光系统模型。在前述文章从0到1搭建一套属于你自己的高精度实时结构光3D相机(1):硬件搭建中已经给出了关于三角测量模型的参考文献,现简单说一下其原理,如图1所示[1]:
图1. 三角测量原理
从图中可见,投影仪平面上的一点 x p x^p xp与其光心 O p O_p Op形成的射线与相机平面上的一点 x x x与其光心 O c O_c Oc形成的射线相交于空间点 X X X。因此,如果我们能确定相机平面上的点与投影仪平面上的点之间的对应关系,那么,我们就能够恢复出物体的深度信息。
所以关键问题就回到如何确定相机平面上的点与投影仪平面上的点之间的对应关系。
我们知道,投影仪平面上的点都是已知的,因为是我们通过烧录条纹图案确定的。相机通过接收投影仪投射的光线从而形成图像,如果我们能在相机成像平面上将条纹编码信息重新恢复出来,那么我们也就知道相机平面上的点与投影仪平面上的点之间的对应关系了!
是不是有点子熟悉呢,对的,博主前两篇博客从0到1搭建一套属于你自己的高精度实时结构光3D相机(6):相移互补格雷码解码所提及到的相移互补格雷码正好能完成这个任务!绝对相位说白了其实就是投影仪的 u u u或 v v v坐标!
垂直方向的相移互补格雷码条纹能够确定相机平面与投影仪平面之间的有关 x x x坐标的映射关系,而水平方向的相移互补格雷码条纹则能够确定相机平面与投影仪平面之间的有关 y y y坐标的映射关系。因此,我们使用两组方向的相移互补格雷码就能确定出 ( x p , y p ) (x_p, y_p) (xp,yp)与 ( x c , y c ) (x_c, y_c) (xc,yc)之间的对应关系了,这种思路可以用图2来表示:
图2. 通过两组方向的条纹确定相机与投影仪之间的映射关系
问题来了!如果我们已经能确定相机平面上的点与投影仪平面上的点之间的对应关系了,那么我如何通过数学关系恢复深度呢?
让我们来推导一下吧!
根据相机成像模型,我们知道任意空间上的一点 P [ X w Y w Z w ] P\left [ X_w \quad Y_w \quad Z_w \right ] P[XwYwZw]可以通过下式投影到相机平面上的点 [ u c v c ] \left [u_c \quad v_c \right] [ucvc]:
Z c [ u c v c 1 ] = K c [ R c ∣ T c ] [ X w Y w Z w 1 ] Z_c \left [u_c \quad v_c \quad 1 \right] = K_c \left[ R_c \quad | \quad T_c \right] \left [ X_w \quad Y_w \quad Z_w \quad 1 \right ] Zc[ucvc1]=Kc[Rc∣Tc][XwYwZw1]
式中, Z c Z_c Zc是相机坐标系下点 P P P的深度, K c K_c Kc是相机内参, R c R_c Rc是世界坐标系到相机坐标系的旋转矩阵, T c T_c Tc是世界坐标系到相机坐标系的平移矩阵。
由于投影仪的成像模型也可以用相机成像模型来表示,因此,对于投影仪成像平面上的一点 [ u p v p ] \left [u_p \quad v_p \right] [upvp],我们也有下式成立:
Z p [ u p v p 1 ] = K p [ R p ∣ T p ] [ X w Y w Z w 1 ] Z_p \left [u_p \quad v_p \quad 1 \right] = K_p \left[ R_p \quad | \quad T_p \right] \left [ X_w \quad Y_w \quad Z_w \quad 1 \right ] Zp[upvp1]=Kp[Rp∣Tp][XwYwZw1]
式中, Z p Z_p Zp是投影仪坐标系下点 P P P的深度, K p K_p Kp是相机内参, R p R_p Rp是世界坐标系到相机坐标系的旋转矩阵, T p T_p Tp是世界坐标系到相机坐标系的平移矩阵。
对于矩阵 K [ R ∣ T ] K \left[ R \quad | \quad T \right] K[R∣T],我们可以用投影矩阵 P = K [ R ∣ T ] P=K \left[ R \quad | \quad T \right] P=K[R∣T]来表示。因此,上述两式可以改写为:
Z c [ u c v c 1 ] = P c [ X w Y w Z w 1 ] Z_c \left [u_c \quad v_c \quad 1 \right] = P_c \left [ X_w \quad Y_w \quad Z_w \quad 1 \right ] Zc[ucvc1]=Pc[XwYwZw1]
Z p [ u p v p 1 ] = P p [ X w Y w Z w 1 ] Z_p \left [u_p \quad v_p \quad 1 \right] = P_p \left [ X_w \quad Y_w \quad Z_w \quad 1 \right ] Zp[upvp1]=Pp[XwYwZw1]
通常,我们将世界坐标系定义为与相机坐标系相重合(见注释),则可通过变换并联立上述两式得:
A [ X w Y w Z w 1 ] T = 0 A \left [ X_w \quad Y_w \quad Z_w \quad 1 \right ]^T=0 A[XwYwZw1]T=0
此时 R c R_c Rc为单位矩阵, T c T_c Tc为零矩阵, R p R_p Rp为相机坐标系到投影仪坐标系的旋转矩阵, T p T_p Tp为相机坐标系到投影仪坐标系的平移矩阵。
式中,
A = [ u c P 3 c − P 1 c v c P 3 c − P 2 c u p P 3 p − P 1 p u p P 3 p − P 2 p ] A=\begin{bmatrix}u_cP_3^c-P_1^c \\v_cP_3^c-P_2^c \\u_pP_3^p-P_1^p \\u_pP_3^p-P_2^p \end{bmatrix} A=
ucP3c−P1cvcP3c−P2cupP3p−P1pupP3p−P2p
其中, P i c P_i^c Pic表示相机投影矩阵 P c P_c Pc的第 i i i行, P i p P_i^p Pip表示投影仪投影矩阵 P p P_p Pp的第 i i i行。
因此,对式上式解方程即可得到 [ X w Y w Z w ] \left[ X_w \quad Y_w \quad Z_w\right ] [XwYwZw](也就是相机坐标系下点的空间坐标)。仔细观察上式可以发现,它其实是一个冗余方程(见下注释),因此我们可以通过只投影一组方向的条纹即可恢复空间三维信息。
观察矩阵A的表达式,相机成像平面上的一点 ( u c , v c ) (u_c,v_c) (uc,vc)仅与投影仪成像平面上的一点的单方向坐标 u p u_p up有关(水平方向条纹则为 v p v_p vp)。
因此,对于相机上一点 ( u c , v c ) (u_c,v_c) (uc,vc),他的空间三维坐标可以通过下式进行计算:
[ X w Y w Z w ] = [ p 11 c − p 31 c u c p 12 c − p 32 c u c p 13 c − p 33 c u c p 21 c − p 31 c v c p 22 c − p 32 c v c p 23 c − p 33 c v c p 11 p − p 31 p u p p 12 p − p 32 p u p p 13 p − p 33 p u p ] [ p 34 c u c − p 14 c p 34 c v c − p 24 c p 34 p u p − p 14 p ] \begin{bmatrix}X_w \\Y_w \\Z_w \end{bmatrix} = \begin{bmatrix}p_{11}^c-p_{31}^cu^c&p_{12}^c-p_{32}^cu^c&p_{13}^c-p_{33}^cu^c\\ p_{21}^c-p_{31}^cv^c&p_{22}^c-p_{32}^cv^c&p_{23}^c-p_{33}^cv^c\\ p_{11}^p-p_{31}^pu^p&p_{12}^p-p_{32}^pu^p&p_{13}^p-p_{33}^pu^p \end{bmatrix} \begin{bmatrix}p_{34}^cu^c-p_{14}^c \\p_{34}^cv^c-p_{24}^c \\p_{34}^pu^p-p_{14}^p \end{bmatrix} XwYwZw = p11c−p31cucp21c−p31cvcp11p−p31pupp12c−p32cucp22c−p32cvcp12p−p32pupp13c−p33cucp23c−p33cvcp13p−p33pup p34cuc−p14cp34cvc−p24cp34pup−p14p
既然我们已经推导出能够恢复空间三维信息的结构光系统模型,那么,我们根据上述方程计算即可。但是有一个问题,投影矩阵 P P P依赖于内参与外参,相机内参我们可以通过前篇博客相机标定算法得到,相机外参是已知的,那么,投影仪内参与投影仪外参呢?
还是那句话,投影仪成像模型可以简单的看作是相机成像模型!
那么我们就又回到了前述相机标定中的流程,如何查找已知信息靶标的特征点!可是,投影仪无法像相机一样进行拍照,那如何获取投影仪所拍摄的图片呢?
事实上,我们仅需要靶标特征点在投影仪成像平面上的位置信息即可。那么,我们就可以通过前述的两组相移互补格雷码方法,先从相机成像平面知道这些特征点的位置,然后,将这些特征点映射到投影仪成像平面即可!仔细想想,还真是那么回事,照着逻辑往后推就行了!
因此,我们可以得到以下投影仪标定算法流程,也将这种算法称为逆相机法:
哇塞!是不是瞬间明了了呢?具体效果如何呢?请看实验环节!
1)代码实践
我们首先来看看代码如何编写。由于投影仪标定需要两组方向的相移互补格雷码条纹,如果一组一组的存入则需要较多的内存,并且也无法在标定过程中知道当前的摆放位姿在投影仪成像平面上是否合理,特征点提取精度情况等等。所以,博主将其该环节编写为在线式的投影仪标定,使用者可以在标定过程中实时查看当前位姿靶标情况。
投影仪标定函数位于SLMaster
项目CalibrateEngine.cpp
中的captureOnce
函数,让我们来看看具体的代码:
bool CalibrateEngine::captureOnce() {
//清除当前标定误差分布
if (!projectorErrorDistributes_.empty()) {
projectorErrorDistributes_.clear();
}
//获取结构光相机并准备
auto slCamera = CameraEngine::instance()->getSLCamera();
std::string camManufactor, leftCameraName, rightCameraName, colorCameraName, dlpEvmName;
slCamera->getStringAttribute("2D Camera Manufactor", camManufactor);
const device::camera::CameraFactory::CameraManufactor manufator = camManufactor == "Huaray" ? device::camera::CameraFactory::Huaray : device::camera::CameraFactory::Halcon;
slCamera->getStringAttribute("Left Camera Name", leftCameraName);
slCamera->getStringAttribute("DLP Evm", dlpEvmName);
device::projector::Projector* projector = slCamera->getProjectorFactory()->getProjector(dlpEvmName);
device::camera::Camera* leftCamera = nullptr, *rightCamera = nullptr, *colorCamera = nullptr;
leftCamera = slCamera->getCameraFactory()->getCamera(leftCameraName, manufator);
if(slCamera->getStringAttribute("Right Camera Name", rightCameraName)) {
rightCamera = slCamera->getCameraFactory()->getCamera(rightCameraName, manufator);
}
if(slCamera->getStringAttribute("Color Camera Name", colorCameraName)) {
colorCamera = slCamera->getCameraFactory()->getCamera(colorCameraName, manufator);
}
//投影一次
projector->project(false);
const int imgSizeWaitFor = CameraEngine::instance()->getNumberAttribute("Total Fringes");
const int totalExposureTime = (CameraEngine::instance()->getNumberAttribute("Pre Exposure Time") + CameraEngine::instance()->getNumberAttribute("Exposure Time") + CameraEngine::instance()->getNumberAttribute("Aft Exposure Time")) * imgSizeWaitFor;
auto endTime = std::chrono::steady_clock::now() + std::chrono::duration<int, std::ratio<1, 1000000>>(totalExposureTime + 1000000);
while (leftCamera->getImgs().size() != imgSizeWaitFor) {
if (std::chrono::steady_clock::now() > endTime) {
leftCamera->clearImgs();
if (rightCamera) {
rightCamera->clearImgs();
}
if (colorCamera) {
colorCamera->clearImgs();
}
return false;
}
}
//软触发一次获取纹理图片(由于博主这套相机是离焦,如果聚焦状态下,可以用相移图案取平均作为纹理图案)
leftCamera->setTrigMode(device::camera::trigSoftware);
leftCamera->setNumberAttribute("ExposureTime", 100000);
cv::Mat texture = leftCamera->capture();
if(texture.type() == CV_8UC3) {
cv::cvtColor(texture, texture, cv::COLOR_BGR2GRAY);
}
leftCamera->setNumberAttribute("ExposureTime", CameraEngine::instance()->getNumberAttribute("Exposure Time"));
//获取当前投影仪条纹烧录记录表,用于确定水平条纹或垂直条纹以及条纹周期等情况
auto orderTablesRecord = CameraEngine::instance()->getOrderTableRecord();
static cv::Mat honrizonUnwrapMap, verticalUnwrapMap, normHUnwrapMap, normVUnwrapMap, textureMap;
const int dlpHeight = CameraEngine::instance()->getStringAttribute("DLP Height").toInt();
const int dlpWidth = CameraEngine::instance()->getStringAttribute("DLP Width").toInt();
//依次按烧录的条纹序列进行解相
for (int i = 0; i < orderTablesRecord.size(); ++i) {
std::vector<cv::Mat> imgs;
int index = 0;
while(index++ < orderTablesRecord[i].patternsNum_) {
cv::Mat img = leftCamera->popImg();
if(img.type() == CV_8UC3) {
cv::cvtColor(img, img, cv::COLOR_BGR2GRAY);
}
imgs.push_back(img);
}
cv::structured_light::SinusCompleGrayCodePattern::Params params;
params.confidenceThreshold = CameraEngine::instance()->getNumberAttribute("Contrast Threshold");
params.height = dlpHeight;
params.width = dlpWidth;
params.horizontal = !orderTablesRecord[i].isVertical_;
params.shiftTime = orderTablesRecord[i].shiftTime_;
params.nbrOfPeriods = std::pow(2, orderTablesRecord[i].patternsNum_ - orderTablesRecord[i].shiftTime_ - 1);
auto pattern = cv::structured_light::SinusCompleGrayCodePattern::create(params);
cv::Mat confidenceMap, wrappedPhaseMap, floorMap, unwrapMap, normalizeUnwrapMap;
pattern->computeConfidenceMap(imgs, confidenceMap);
pattern->computePhaseMap(imgs, wrappedPhaseMap);
pattern->computeFloorMap(imgs, confidenceMap, wrappedPhaseMap, floorMap);
pattern->unwrapPhaseMap(wrappedPhaseMap, floorMap, unwrapMap, confidenceMap > params.confidenceThreshold);
cv::normalize(unwrapMap, normalizeUnwrapMap, 0, 255, cv::NORM_MINMAX);
if(orderTablesRecord[i].isVertical_) {
verticalUnwrapMap = unwrapMap;
textureMap = texture;
normVUnwrapMap = normalizeUnwrapMap;
normVUnwrapMap.convertTo(normVUnwrapMap, CV_8UC1);
onlineProjVertiPaintItem_->updateImage(QImage(normVUnwrapMap.data, normVUnwrapMap.cols, normVUnwrapMap.rows, normVUnwrapMap.step, QImage::Format_Grayscale8));
}
else {
honrizonUnwrapMap = unwrapMap;
normHUnwrapMap = normalizeUnwrapMap;
normHUnwrapMap.convertTo(normHUnwrapMap, CV_8UC1);
onlineProjHonriPaintItem_->updateImage(QImage(normHUnwrapMap.data, normHUnwrapMap.cols, normHUnwrapMap.rows, normHUnwrapMap.step, QImage::Format_Grayscale8));
}
}
leftCamera->clearImgs();
if (rightCamera) {
rightCamera->clearImgs();
}
if (colorCamera) {
colorCamera->clearImgs();
}
cv::Mat projectorImg = cv::Mat::zeros(dlpHeight, dlpWidth, CV_8UC3);
auto calibrator = getCalibrator(projectorCaliParams_.targetType_);
std::vector<cv::Point2f> featurePoints;
//提取当前纹理图案下的靶标特征点
if(!calibrator->findFeaturePoints(textureMap, cv::Size(projectorCaliParams_.rowNum_, projectorCaliParams_.colNum_), featurePoints)) {
return false;
}
else {
cv::cvtColor(textureMap, textureMap, cv::COLOR_GRAY2BGR);
cv::drawChessboardCorners(textureMap, cv::Size(projectorCaliParams_.rowNum_, projectorCaliParams_.colNum_), featurePoints, true);
onlineProjColorPaintItem_->updateImage(QImage(textureMap.data, textureMap.cols, textureMap.rows, textureMap.step, QImage::Format_BGR888));
//将相机成像平面上的靶标特征点坐标映射至投影仪成像平面上
std::vector<cv::Point2f> remapPoints;
for (auto camPoint : featurePoints) {
auto projPoint = remapProjectorPoint(honrizonUnwrapMap, verticalUnwrapMap, camPoint);
remapPoints.emplace_back(projPoint);
}
projCameraPoints_.emplace_back(featurePoints);
projectorPoints_.emplace_back(remapPoints);
cv::drawChessboardCorners(projectorImg, cv::Size(projectorCaliParams_.rowNum_, projectorCaliParams_.colNum_), remapPoints, true);
onlineProjPaintItem_->updateImage(QImage(projectorImg.data, projectorImg.cols, projectorImg.rows, projectorImg.step, QImage::Format_BGR888));
}
std::vector<cv::Mat> groupImg;
groupImg.emplace_back(normHUnwrapMap);
groupImg.emplace_back(normVUnwrapMap);
groupImg.emplace_back(textureMap);
groupImg.emplace_back(projectorImg);
projectorCaliImgs_.emplace_back(groupImg);
if(rightCamera) {
rightCamera->clearImgs();
}
if(colorCamera) {
colorCamera->clearImgs();
}
const QString index = projectorModel_->imgPaths().empty() ? "0" : QString::number(projectorModel_->imgPaths()[projectorModel_->imgPaths().size() - 1].toInt() + 1);
projectorModel_->emplace_back(index);
emit projectorModelChanged();
return true;
}
紧接着,我们再来看看映射到投影仪成像平面下的具体函数remapProjectorPoint
:
const cv::Point2f CalibrateEngine::remapProjectorPoint(const cv::Mat& honrizonPhaseMap, const cv::Mat& verticalPhaseMap, const cv::Point2f& camPoint) {
//双线性插值
#ifdef LinearInter
int index_Y_Upper = std::ceil(camPoint.y);
int index_Y_Lower = std::floor(camPoint.y);
int index_X_Upper = std::ceil(camPoint.x);
int index_X_Lower = std::floor(camPoint.x);
const float vPLU = verticalPhaseMap.ptr<float>(index_Y_Upper)[index_X_Lower];
const float vPRU = verticalPhaseMap.ptr<float>(index_Y_Upper)[index_X_Upper];
const float vPLD = verticalPhaseMap.ptr<float>(index_Y_Lower)[index_X_Lower];
const float vPRD = verticalPhaseMap.ptr<float>(index_Y_Lower)[index_X_Upper];
const float tPLU = honrizonPhaseMap.ptr<float>(index_Y_Upper)[index_X_Lower];
const float tPRU = honrizonPhaseMap.ptr<float>(index_Y_Upper)[index_X_Upper];
const float tPLD = honrizonPhaseMap.ptr<float>(index_Y_Lower)[index_X_Lower];
const float tPRD = honrizonPhaseMap.ptr<float>(index_Y_Lower)[index_X_Upper];
const float vfR1 = (index_X_Upper - camPoint.x) / (index_X_Upper - index_X_Lower) * vPLD + (camPoint.x - index_X_Lower) / (index_X_Upper - index_X_Lower) * vPRD;
const float vfR2 = (index_X_Upper - camPoint.x) / (index_X_Upper - index_X_Lower) * vPLU + (camPoint.x - index_X_Lower) / (index_X_Upper - index_X_Lower) * vPRU;
const float tfR1 = (index_X_Upper - camPoint.x) / (index_X_Upper - index_X_Lower) * tPLD + (camPoint.x - index_X_Lower) / (index_X_Upper - index_X_Lower) * tPRD;
const float tfR2 = (index_X_Upper - camPoint.x) / (index_X_Upper - index_X_Lower) * tPLU + (camPoint.x - index_X_Lower) / (index_X_Upper - index_X_Lower) * tPRU;
const float verticalPhaseValue = (index_Y_Upper - camPoint.y) / (index_Y_Upper - index_Y_Lower) * vfR1 + (camPoint.y - index_Y_Lower) / (index_Y_Upper - index_Y_Lower) * vfR2;
const float transversePhaseValue = (index_Y_Upper - camPoint.y) / (index_Y_Upper - index_Y_Lower) * tfR1 + (camPoint.y - index_Y_Lower) / (index_Y_Upper - index_Y_Lower) * tfR2;
//最近邻插值
#else
int index_Y = std::round(camPoint.y);
int index_X = std::round(camPoint.x);
const float verticalPhaseValue = verticalPhaseMap.ptr<float>(index_Y)[index_X];
const float transversePhaseValue = honrizonPhaseMap.ptr<float>(index_Y)[index_X];
#endif
//映射至投影仪坐标系
const float xLocation = (verticalPhaseValue) / CV_2PI * projectorCaliParams_.verticalPitch_;
const float yLocation = (transversePhaseValue) / CV_2PI * projectorCaliParams_.honrizonPitch_;
return cv::Point2f(xLocation, yLocation);
}
我们通过双线性插值进一步提高特征点提取精度,效果显著,不信?那你可以试试喔。
2)实验
首先我们需要一块标定板,由于黑色对光的反射率较低,因此棋盘格、圆环靶标容易受到干扰,所以我们使用黑底白色前景的圆点标定板进行投影仪标定。
打开我们的SLMaster软件,按如下步骤进行,你就能得到你想要的结果了!
图4. 软件标定流程
然后我们可以将标定文件进行保存。前面说过,我们的三角测量模型是可以通过标定参数确定标定的好不好的!则么实施的呢?我们打开保存好的标定文件,查看Tlr
参数,如图5所示。然后实际测量相机与投影仪之间的相对位置,对比一下就知道了!
图5. 标定所得的相机到投影仪的平移矩阵
通过结构光系统模型进行三维重建的实验呢?
这一部分环节将在之后的多视几何约束相关算法进行。博主不单独使用结构光系统模型进行三维重建,如果你有需要,可以调用博主写的方法进行实验(见reverse_camera.cu)。
在这篇博客中,博主介绍了结构光系统模型与逆相机法投影仪标定算法 ,在下一小节中,博主将开始介绍最佳脉冲宽度调制方法的二值正弦条纹生成算法。
参考文献
[1] Feng, Shijie & Zuo, Chao & Zhang, Liang & Tao, Tianyang & Hu, Yan & Yin, Wei & Qian, Jiaming & Chen, Qian. (2021). Calibration of fringe projection profilometry: A comparative review. Optics and Lasers in Engineering. 143. 106622. 10.1016/j.optlaseng.2021.106622.
本系列文章将持续更新,如果有等不及想要获得代码的小伙伴,可访问博主Github中的SLMaster项目,动动你的小手指,follow and star!你们的关注是博主持续的动力!
Github:https://github.com/Practice3DVision
QQ群:229441078
公众号:实战3D视觉
扫一扫关注公众号
文章浏览阅读1.3w次。转载自 http://www.miui.com/thread-2003672-1-1.html 当手机在刷错包或者误修改删除系统文件后会出现无法开机或者是移动定制(联通合约机)版想刷标准版,这时就会用到线刷,首先就是安装线刷驱动。 在XP和win7上线刷是比较方便的,用那个驱动自动安装版,直接就可以安装好,完成线刷。不过现在也有好多机友换成了win8/8.1系统,再使用这个_mt65驱动
文章浏览阅读1k次。SonarQube是一个代码质量管理平台,可以扫描监测代码并给出质量评价及修改建议,通过插件机制支持25+中开发语言,可以很容易与gradle\maven\jenkins等工具进行集成,是非常流行的代码质量管控平台。通CheckStyle、findbugs等工具定位不同,SonarQube定位于平台,有完善的管理机制及强大的管理页面,并通过插件支持checkstyle及findbugs等既有的流..._sonar的客户端区别
文章浏览阅读3.4k次,点赞2次,收藏27次。神经图灵机是LSTM、GRU的改进版本,本质上依然包含一个外部记忆结构、可对记忆进行读写操作,主要针对读写操作进行了改进,或者说提出了一种新的读写操作思路。神经图灵机之所以叫这个名字是因为它通过深度学习模型模拟了图灵机,但是我觉得如果先去介绍图灵机的概念,就会搞得很混乱,所以这里主要从神经图灵机改进了LSTM的哪些方面入手进行讲解,同时,由于模型的结构比较复杂,为了让思路更清晰,这次也会分开几..._神经图灵机方法改进
文章浏览阅读2.8k次。一、模型迭代方法机器学习模型在实际应用的场景,通常要根据新增的数据下进行模型的迭代,常见的模型迭代方法有以下几种:1、全量数据重新训练一个模型,直接合并历史训练数据与新增的数据,模型直接离线学习全量数据,学习得到一个全新的模型。优缺点:这也是实际最为常见的模型迭代方式,通常模型效果也是最好的,但这样模型迭代比较耗时,资源耗费比较多,实时性较差,特别是在大数据场景更为困难;2、模型融合的方法,将旧模..._模型迭代
文章浏览阅读2.3k次。1、前言上传图片一般采用异步上传的方式,但是异步上传带来不好的地方,就如果图片有改变或者删除,图片服务器端就会造成浪费。所以有时候就会和参数同步提交。笔者喜欢base64图片一起上传,但是图片过多时就会出现数据丢失等异常。因为tomcat的post请求默认是2M的长度限制。2、解决办法有两种:① 修改tomcat的servel.xml的配置文件,设置 maxPostSize=..._base64可以装换zip吗
文章浏览阅读1k次,点赞17次,收藏22次。Opencv自然场景文本识别系统(源码&教程)_opencv自然场景实时识别文字
文章浏览阅读1.3k次。拷贝虚拟机文件时间比较长,因为虚拟机 flat 文件很大,所以要等。脚本完成后,以复制虚拟机文件夹。将以下脚本内容写入文件。_exsi6.7快速克隆centos
文章浏览阅读2k次。本文主要实现基于二度好友的推荐。数学公式参考于:http://blog.csdn.net/qq_14950717/article/details/52197565测试数据为自己随手画的关系图把图片整理成文本信息如下:a b c d e f yb c a f gc a b dd c a e h q re f h d af e a b gg h f bh e g i di j m n ..._本关任务:使用 spark core 知识完成 " 好友推荐 " 的程序。
文章浏览阅读367次。南京大学高级程序设计期末复习总结,c++面向对象编程_南京大学高级程序设计
文章浏览阅读3.1k次,点赞2次,收藏12次。实现朴素贝叶斯分类器,并且根据李航《统计机器学习》第四章提供的数据训练与测试,结果与书中一致分别实现了朴素贝叶斯以及带有laplace平滑的朴素贝叶斯%书中例题实现朴素贝叶斯%特征1的取值集合A1=[1;2;3];%特征2的取值集合A2=[4;5;6];%S M LAValues={A1;A2};%Y的取值集合YValue=[-1;1];%数据集和T=[ 1,4,-1;..._朴素贝叶斯 matlab训练和测试输出
文章浏览阅读1.6k次。Markdown 文本换行_markdowntext 换行
文章浏览阅读6.7w次,点赞2次,收藏37次。win10 2016长期服务版激活错误解决方法:打开“注册表编辑器”;(Windows + R然后输入Regedit)修改SkipRearm的值为1:(在HKEY_LOCAL_MACHINE–》SOFTWARE–》Microsoft–》Windows NT–》CurrentVersion–》SoftwareProtectionPlatform里面,将SkipRearm的值修改为1)重..._错误: 0xc0000022 在运行 microsoft windows 非核心版本的计算机上,运行“slui.ex