Dispnet双目匹配深度估计

data_generator.py文件：数据生成器。 DispNet.py文件：网络结构。 第1步：运行annotation.py文件，在model_data文件夹下生成.txt。 第2步：运行DispNet_Trainer.py文件。 第3步：运行DispNet_Tester.py文件。

双目立体匹配_SGM算法

SGM算法在KITTI2015数据集上测评结果 开发环境：python=3.6、numpy=1.19.5、opencv-python=4.5.5.64 操作系统：Ubuntu20.04LTS 处理器：Intel(R) Core(TM) i7-9700 CPU @ 3.00GHz 实验记录： 1、WTA、SSD策略，disparity=190，radius=3，视差<=3精度：0.5611，运行时间：7.4344s 2、WTA、SSD策略，disparity=64，radius=3，视差<=3精度：0.5611，运行时间：2.7495s 3、SGM、SSD策略，disparity=64，radius=3，视差<=3精度：0.8161，运行时间：22.7137s 4、SGM、NCC策略，disparity=64，radius=3，视差<=3精度：0.8119，运行时间：28.0640s 5、SGM、SAD策略，disparity=64，radius=3，视差<=3精度：0.6681，运行时间：22.3349

facenet.zip

Facenet：人脸识别模型在Pytorch当中的实现

Siamese.zip

实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。 scipy==1.4.1 numpy==1.18.4 matplotlib==3.2.1 opencv_python==4.2.0.34 tensorflow_gpu==2.2.0 tqdm==4.46.1 Pillow==8.2.0 h5py==2.10.0

PnP问题-头部姿态估计.zip

典型的PnP问题求解方式有很多种，例如P3P、直接线性变换DLT、EPnP、UPnP，另外还有非线性的Bundle Adjustment。 旋转平移矩阵T一共有12维，因此最少通过6对匹配点即可实现矩阵T的线性求解，这种方法称为DLT。当匹配点大于6对时，也可以使用SVD等方法对超定方程求最小二乘解。

对极几何_三角测量_双目视觉.zip

环境：c++版本、OpenCV 4.5.3、Eigen data文件夹：存储左右目图片 demo文件夹：点对匹配结果、深度信息、三角测量可视化效果 main.cpp：主函数，调用orb_match进行点对匹配，调用antipolar_geometry计算对极几何位态变换，调用triangulation进行三角测量 get.cpp：调用双目摄像头，存储左右目图片 orb_match.cpp：库函数，功能包括：orb特征检测、描述子计算、landmark标志点对匹配 antipolar_geometry：库函数，功能包括：对极几何，计算两幅图像之间的位姿变换 triangulation：库函数，功能包括：三角测量，还原landmark标志点深度信息，得到landmark标志点3D坐标

ORB特征提取与匹配.zip

orb特征提取与匹配

双目视觉标定与校正.zip

calib_imgs文件夹：存储拍摄得到的左右目图片，左目棋盘格图片存于文件夹1，右目棋盘格图片存于文件夹2。 calib_left.cpp：进行左目摄像头的标定。 calib_right.cpp：进行右目摄像头的标定。 calib_stereo.cpp：进行双目标定。 get_img.cpp：用于移动棋盘格，存储左右目拍摄的图片。 undistort_rectify.cpp：进行双目校正。 环境配置：c++代码、OpenCV 4.5.3环境。

单目摄像头标定.zip

c++版本代码，对应环境Ubuntu20.04、OpenCV 4.5.3版本。 images1、images2分别是两组不同摄像头拍摄的棋盘格图片，我们分别对它们进行标定，其实就是实验重复了两次。 images1文件夹中的图片是网上下载的，尺寸为480*640，OpenCV计算起来非常快，每张0.3s左右。 images2文件夹中的图片是我自己借助海康摄像头拍摄的，尺寸为1440*2560，非常大，OpenCV计算起来很慢，每张80s左右。 images1_demo、images2_demo是这两组图片的棋盘格检测结果。 images1_undist、images2_undist是这两组图片的校正结果。 camera_Calibration1.cpp、camera_Calibration2.cpp是单目相机标定的源码。 camera_Undistortion1.cpp、camera_Undistortion2.cpp是单目相机校正的源码。

目标跟踪Sort算法_车流量统计.zip

1、tiny_yolov4文件夹： 目标检测算法源码，包括：网络搭建、训练好的权重、解码文件、预测文件。 为提升算法速度，我摒弃了YOLOv4框架而采用了Tiny_YOLOv4框架，检测精度虽然有所下降，但每帧推理速度从0.17s提升至0.03s。 2、predict.py： 用于验证目标检测的效果，可单独独立出来运行，与目标跟踪无关。 3、kalman.py： 卡尔曼滤波器，基于恒速运动模型，预测下一帧目标物体的位置。 4、tracker.py： 存储每个时刻不同目标物体的状态，管理目标跟踪整个系统运作过程。 5、main.py： 整个项目的运行入口，直接运行main.py，就可以调用Tiny_YOLOv4 + Sort，处理视频流信息，完成目标跟踪、车流量统计。 6、MVI_39211、MVI_39031：DATRAC数据集测试集的两个视频，交通路段车流量画面。demo1、demo2：调用目标跟踪算法，车流量的每帧统计结果。