2024年是我学业生涯的结束，是我职业生涯的开始。2024年6月19日我顺利研究生毕业，进入体制内，陆止于此，海始于斯，知识和文化最大的魅力，大概就是教会人谦卑和敬畏。读研的目的不是为了单纯拿到哪个证书，这是一次人生格局的扩展，是完成的一次修行，是思考逻辑能力、技术专业性上、专刊文笔上的一次个人突破，这种突破对于将来的工作发挥至关重要，记录以下2024年的成长，回顾过去，展望未来。我将从工作成长、生活娱乐和身体健康三个方面进行总结。
| 工作成长 | 生活娱乐 | 身体健康 |
|---|---|---|
| 总结单目相机标定算法 | ||
| 总结双目相机标定算法 | ||
| 总结IMU标定算法 | ||
| 使用ORB-SLAM3运行自制数据集 | ||
| 图像增强技术的总结 | ||
| 改进ORB-SLAM3算法 | ||
| 自学SolidWorks学习总结 | ||
| Unity实现数字变化 | ||
| VI-SLAM技术讨论 | ||
| 毕业设计 | ||
| 通过Vxlan实现数据中心 | ||
| 新华三H3C NE网络工程师认证学习 | ||
| 运维工作中对反爬虫的一些思考 | ||
| 信息化建设总结 | ||
| 网络安全对抗 | ||
| 信息系统项目管理师软考学习总结 |
本课题基于应急管理部重大科技项目“应急救援专用增强现实（AR）智能头盔关键技术和设备研发”，旨在设计出适合用于应急救援专用增强现实（AR）智能头盔的定位算法。
整个系统分为四部分，第一部分是传感器标定部分，对相机和IMU进行联合标定。目的是为得到IMU相机的内外参数，减少图像噪声的影响。第二部分是数据预处理，在IMU 模式下，跟踪线程还有进行 IMU 预积分的计算，以供后续局部地图构建线程视觉结合 IMU 进行局部 BA 优化，将视觉和 IMU 对齐，对 IMU 预积分的传递做了分析，将自适应关键帧阈值算法嵌入跟踪线程，改进初始化的问题。第三部分是采用 RANSAC 算法进行平面拟合，根据 SLAM 模块提供的点云信息计算出最佳平面参数，第四部分是根据 SLAM模块提供的相机位姿将虚拟模型通过透视投影变换渲染至平面。
本系统创新性的针对无GPS信号的情况，研究利用视觉与IMU融合的SLAM技术实现应急救援专用增强现实（AR）智能头盔的自主定位，并搭建一套高鲁棒、低运算负载、高精度的适合于智能头盔的自主定位系统。
import cv2
import numpy as np
import glob# 标定板的大小，标定板内角点的个数
# CHECKERBOARD = (6,9)
CHECKERBOARD = (6,7)
# 角点优化，迭代的终止条件
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)# step1:定义标定板在真实世界的坐标
# 创建一个向量来保存每张图片中角点的3D坐标
objpoints = []
# 创建一个向量来保存每张图片中角点的2D坐标
imgpoints = []# 定义3D坐标:[row,col,z]
objp = np.zeros((1, CHECKERBOARD[0]*CHECKERBOARD[1], 3), np.float32)
objp[0,:,:2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2)# step2:提取不同角度拍摄的图片
# images = glob.glob('./images1/*.jpg')
images = glob.glob('./images2/*.jpg')
images = sorted(images)
for i,fname in enumerate(images):img = cv2.imread(fname) # 读取图片gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # RGB转换成灰度图# step3:计算标定板的角点的2D坐标# 寻找角点坐标，如果找到ret返回True, corners:[col, row]，原点在左上角ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, cv2.CALIB_CB_ADAPTIVE_THRESH+cv2.CALIB_CB_FAST_CHECK+cv2.CALIB_CB_NORMALIZE_IMAGE)if ret == True:objpoints.append(objp)# 调用cornerSubpix对2D角点坐标位置进行优化corners2 = cv2.cornerSubPix(gray,corners,(11,11),(-1,-1),criteria)imgpoints.append(corners2)# 绘制寻找到的角点，从红色开始绘制，紫色结束img = cv2.drawChessboardCorners(img, CHECKERBOARD, corners2,ret)cv2.imshow(fname+" succeed", img)else:print(f"第{i}张图，{fname}未发现足够角点")cv2.imshow(fname + " failed", img)cv2.waitKey(1)
cv2.destroyAllWindows()h,w = img.shape[:2]# step4:相加标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1],None,None)print("相机内参:") # [[fx,0,cx],[0,fy,cy],[0,0,1]]
print(mtx,"\n")
print("畸变参数:") # k1,k2,p1,p2,k3
print(dist,"\n")
print("旋转矩阵:")
print(rvecs,"\n")
print("平移矩阵:")
print(tvecs,"\n")# step5:去畸变
# img = cv2.imread('./images/image_2.jpg')
img = cv2.imread('./images2/left12.jpg')
h, w = img.shape[:2]
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h))# 使用undistort矫正图像
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)
# 图片裁剪
x, y, w, h = roi
dst2 = dst[y:y+h, x:x+w]
print(f"ROI: x:{x},y:{y},w:{w},h:{h}")
cv2.imshow("original image", img)
cv2.imshow("image undistorted1", dst)
cv2.imshow("image undistorted1 ROI", dst2)
cv2.imwrite('./undistorted/img_undistort.png', dst2)# 使用remapping
mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w,h), 5)
dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)# crop the image
x, y, w, h = roi
dst2 = dst[y:y+h, x:x+w] # x，宽，y，高
cv2.imshow("image undistorted2", dst)
cv2.imshow("image undistorted2 ROI", dst2)
cv2.imwrite('./undistorted/img_remap.png', dst2)
cv2.waitKey(0)
cv2.destroyAllWindows()# step6:计算重投影误差：
mean_error = 0
for i in range(len(objpoints)):# 使用内外参和畸变参数对点进行重投影imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2)/len(imgpoints2) # L2范数，均方误差mean_error += errormean_error /= len(objpoints)
print("total error: {}".format(mean_error))
