关键词：
《视觉slam十四讲》之第3讲-实践Eigen库
Eigen库的安装
sudo apt-get install libeigen3-dev注：Eigen是一个由纯头文件搭建的线性代数库，头文件安装路径为/usr/include/eigen3/。
实例１：Eigen的基础运算
#include <iostream>
#include <ctime>
#include <Eigen/Core> // Eigen 部分
#include <Eigen/Dense> // 稠密矩阵的代数运算（逆，特征值等）
#define MATRIX_SIZE 50
/****************************
* 本程序演示了 Eigen 基本类型的使用
****************************/
int main( int argc, char** argv )
// Eigen 中所有向量和矩阵都是Eigen::Matrix，它是一个模板类。它的前三个参数为：数据类型，行，列
// 声明一个2*3的float矩阵
Eigen::Matrix<float, 2, 3> matrix_23;
// 同时，Eigen 通过 typedef 提供了许多内置类型，不过底层仍是Eigen::Matrix
// 例如 Vector3d 实质上是 Eigen::Matrix<double, 3, 1>，即三维向量
Eigen::Vector3d v_3d;
// 这是一样的
Eigen::Matrix<float,3,1> vd_3d;
// Matrix3d 实质上是 Eigen::Matrix<double, 3, 3>
Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Zero(); //初始化为零
// 如果不确定矩阵大小，可以使用动态大小的矩阵
Eigen::Matrix< double, Eigen::Dynamic, Eigen::Dynamic > matrix_dynamic;
// 更简单的
Eigen::MatrixXd matrix_x;
// 这种类型还有很多，我们不一一列举
// 下面是对Eigen阵的操作
// 输入数据（初始化）
matrix_23 << 1, 2, 3, 4, 5, 6;
// 输出
cout << matrix_23 << endl;
// 用()访问矩阵中的元素
for (int i=0; i<2; i++)
for (int j=0; j<3; j++)
cout<<matrix_23(i,j)<<" ";
cout<<endl;
// 矩阵和向量相乘（实际上仍是矩阵和矩阵）
v_3d << 3, 2, 1;
vd_3d << 4,5,6;
// 但是在Eigen里你不能混合两种不同类型的矩阵，像这样是错的
// Eigen::Matrix<double, 2, 1> result_wrong_type = matrix_23 * v_3d;
// 应该显式转换
Eigen::Matrix<double, 2, 1> result = matrix_23.cast<double>() * v_3d;
cout << result << endl;
Eigen::Matrix<float, 2, 1> result2 = matrix_23 * vd_3d;
cout << result2 << endl;
// 同样你不能搞错矩阵的维度
// 试着取消下面的注释，看看Eigen会报什么错
// Eigen::Matrix<double, 2, 3> result_wrong_dimension = matrix_23.cast<double>() * v_3d;
// 一些矩阵运算
// 四则运算就不演示了，直接用+-*/即可。
matrix_33 = Eigen::Matrix3d::Random(); // 随机数矩阵
cout << matrix_33 << endl << endl;
cout << matrix_33.transpose() << endl; // 转置
cout << matrix_33.sum() << endl; // 各元素和
cout << matrix_33.trace() << endl; // 迹
cout << 10*matrix_33 << endl; // 数乘
cout << matrix_33.inverse() << endl; // 逆
cout << matrix_33.determinant() << endl; // 行列式
// 特征值
// 实对称矩阵可以保证对角化成功
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver ( matrix_33.transpose()*matrix_33 );
cout << "Eigen values =
" << eigen_solver.eigenvalues() << endl;
cout << "Eigen vectors =
" << eigen_solver.eigenvectors() << endl;
// 解方程
// 我们求解 matrix_NN * x = v_Nd 这个方程
// N的大小在前边的宏里定义，它由随机数生成
// 直接求逆自然是最直接的，但是求逆运算量大
Eigen::Matrix< double, MATRIX_SIZE, MATRIX_SIZE > matrix_NN;
matrix_NN = Eigen::MatrixXd::Random( MATRIX_SIZE, MATRIX_SIZE );
Eigen::Matrix< double, MATRIX_SIZE, 1> v_Nd;
v_Nd = Eigen::MatrixXd::Random( MATRIX_SIZE,1 );
clock_t time_stt = clock(); // 计时
// 直接求逆
Eigen::Matrix<double,MATRIX_SIZE,1> x = matrix_NN.inverse()*v_Nd;
cout <<"time use in normal inverse is " << 1000* (clock() - time_stt)/(double)CLOCKS_PER_SEC << "ms"<< endl;
// 通常用矩阵分解来求，例如QR分解，速度会快很多
time_stt = clock();
x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
cout <<"time use in Qr decomposition is " <<1000* (clock() - time_stt)/(double)CLOCKS_PER_SEC <<"ms" << endl;
return 0;
几种矩阵类型
- Eigen::Matrix<float, 2, 3> 矩阵
- Eigen::Vector3d v_3d == Eigen::Matrix<double, 3, 1> 向量
- Eigen::MatrixXd ＝ Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic> 动态矩阵
简单的矩阵操作
- 输入数据：matrix_23 << 1, 2, 3, 4, 5, 6;
- 输出数据：cout << matrix_23 << endl;
- 访问矩阵： for + matrix(i, j)
- 初始化为零： Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Zero();
- 初始化为随机数： Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Random();
- 初始化为单位矩阵：Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Identity();
一些矩阵运算
转置： matrix_33.transpose()
各元素求和： matrix_33.sum()
求迹：matrix_33.trace()
求逆：matrix_33.inverse()
求行列式：matrix_33.determinant()
求特征值与特征向量：
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver ( matrix_33.transpose()*matrix_33 ); eigen_solver.eigenvalues()； eigen_solver.eigenvectors()；求解方程： 直接求解， QR分解
实例2：Eigen的几何模块
#include <iostream>
#include <cmath>
using namespace std;
#include <Eigen/Core>
#include <Eigen/Geometry> // Eigen 几何模块
/****************************
* 本程序演示了 Eigen 几何模块的使用方法
****************************/
int main ( int argc, char** argv )
// Eigen/Geometry 模块提供了各种旋转和平移的表示
// 3D 旋转矩阵直接使用 Matrix3d 或 Matrix3f
Eigen::Matrix3d rotation_matrix = Eigen::Matrix3d::Identity();
// 旋转向量使用 AngleAxis, 它底层不直接是Matrix，但运算可以当作矩阵（因为重载了运算符）
Eigen::AngleAxisd rotation_vector ( M_PI/4, Eigen::Vector3d ( 0,0,1 ) ); //沿 Z 轴旋转 45 度
cout .precision(3);
cout<<"rotation matrix =
"<<rotation_vector.matrix() <<endl; //用matrix()转换成矩阵
// 也可以直接赋值
rotation_matrix = rotation_vector.toRotationMatrix();
// 用 AngleAxis 可以进行坐标变换
Eigen::Vector3d v ( 1,0,0 );
Eigen::Vector3d v_rotated = rotation_vector * v;
cout<<"(1,0,0) after rotation = "<<v_rotated.transpose()<<endl;
// 或者用旋转矩阵
v_rotated = rotation_matrix * v;
cout<<"(1,0,0) after rotation = "<<v_rotated.transpose()<<endl;
// 欧拉角: 可以将旋转矩阵直接转换成欧拉角
Eigen::Vector3d euler_angles = rotation_matrix.eulerAngles ( 2,1,0 ); // ZYX顺序，即roll pitch yaw顺序
cout<<"yaw pitch roll = "<<euler_angles.transpose()<<endl;
// 欧氏变换矩阵使用 Eigen::Isometry
Eigen::Isometry3d T=Eigen::Isometry3d::Identity(); // 虽然称为3d，实质上是4＊4的矩阵
T.rotate ( rotation_vector ); // 按照rotation_vector进行旋转
T.pretranslate ( Eigen::Vector3d ( 1,3,4 ) ); // 把平移向量设成(1,3,4)
cout << "Transform matrix =
" << T.matrix() <<endl;
// 用变换矩阵进行坐标变换
Eigen::Vector3d v_transformed = T*v; // 相当于R*v+t
cout<<"v tranformed = "<<v_transformed.transpose()<<endl;
// 对于仿射和射影变换，使用 Eigen::Affine3d 和 Eigen::Projective3d 即可，略
// 四元数
// 可以直接把AngleAxis赋值给四元数，反之亦然
Eigen::Quaterniond q = Eigen::Quaterniond ( rotation_vector );
cout<<"quaternion =
"<<q.coeffs() <<endl; // 请注意coeffs的顺序是(x,y,z,w),w为实部，前三者为虚部
// 也可以把旋转矩阵赋给它
q = Eigen::Quaterniond ( rotation_matrix );
cout<<"quaternion =
"<<q.coeffs() <<endl;
// 使用四元数旋转一个向量，使用重载的乘法即可
v_rotated = q*v; // 注意数学上是qvq^-1
cout<<"(1,0,0) after rotation = "<<v_rotated.transpose()<<endl;
return 0;
小笔记
旋转矩阵（ 3 × 3）： Eigen::Matrix3d。
Eigen::Matrix3d rotation_matrix = Eigen::Matrix3d::Identity();旋转向量（ 3 × 1）： Eigen::AngleAxisd。
Eigen::AngleAxisd rotation_vector ( M_PI/4, Eigen::Vector3d ( 0,0,1 ) );欧拉角（ 3 × 1）： Eigen::Vector3d。
四元数（ 4 × 1）： Eigen::Quaterniond。
Eigen::Quaterniond q = Eigen::Quaterniond ( rotation_vector ); q = Eigen::Quaterniond ( rotation_matrix );欧氏变换矩阵（ 4 × 4）： Eigen::Isometry3d。
Eigen::Isometry3d T=Eigen::Isometry3d::Identity(); // 虽然称为 3d ，实质上是 4＊4 的矩阵 38 T.rotate ( rotation_vector ); // 按照 rotation_vector 进行旋转 39 T.pretranslate ( Eigen::Vector3d ( 1,3,4 ) ); // 把平移向量设成 (1,3,4)仿射变换（ 4 × 4）： Eigen::Affine3d。
射影变换（ 4 × 4）： Eigen::Projective3d。
它们的之间转换
- 旋转向量-> 旋转矩阵
rotation_matrix = rotation_vector.toRotationMatrix();- 旋转矩阵-> 欧拉角
euler_angles = rotation_matrix.eulerAngles ( 0， 1， 2); //roll, pitch, yaw顺序《视觉slam十四讲》之第３讲－三维刚体运动
第三讲：三维空间刚体运动旋转的几种表达方式向量关于向量：注：其中e１，e2，ｅ3为线性空间下的一组基。向量的内积：注：向量的内积表示向量间的投影关系。向量的外积注：可以使用外积表示向量的旋转。注：^记成... 查看详情
slam十四讲安装eigen3+palingo第3讲实验踩坑记录(代码片段)
...安装Pangolin2.1下载源代码：2.2安装依赖2.3编译安装SLAM十四讲源码中，使用了多个第三方的库，由于第三方库都是有相应的版权，因此需要逐个的去相应的官网下载源码安装1、安装eigen3eigen3这个比较特殊，可以... 查看详情
《视觉slam十四讲——从理论到实践》学习笔记(代码片段)
第1讲：预备知识1.3风格约定矩阵A∧A^\\wedgeA∧:AAA的反对称矩阵。坐标点坐标点用向量表示，具体来说，是用列向量表示，vetcor(3,1)； 查看详情
slam十四讲安装eigen3+palingo第3讲实验踩坑记录(代码片段)
...安装Pangolin2.1下载源代码：2.2安装依赖2.3编译安装SLAM十四讲源码中，使用了多个第三方的库，由于第三方库都是有相应的版权，因此需要逐个的去相应的官网下载源码安装1、安装eigen3eigen3这个比较特殊，可以... 查看详情
《视觉slam十四讲》-第3讲-三维空间刚体运动
... 查看详情
《视觉slam十四讲》-第1讲-全书内容概要
浅读《视觉slam十四讲：从理论到实践》--操作1--初识slam
下载《视觉SLAM十四讲：从理论到实践》源码：https://github.com/gaoxiang12/slambook第二讲：初识SLAM2.4.2HelloSLAM（书本P27） 1、从github上下载源码，并解压Ubuntu上，解压zip，先找到zip文件所在位置，然后运行下面代码，进行解压。unzip... 查看详情
视觉slam十四讲笔记--第三讲
目录第三讲课后题1、验证旋转矩阵是正交矩阵。2.*寻找罗德里格斯公式的推导过程并加以理解。3.验证四元数旋转某个点后，结果是一个虚四元数(实部为零)，所以仍然对应到一个三维空间点，见式(3.33)。4．画表... 查看详情
视觉slam十四讲笔记--第三讲
目录第三讲课后题1、验证旋转矩阵是正交矩阵。2.*寻找罗德里格斯公式的推导过程并加以理解。3.验证四元数旋转某个点后，结果是一个虚四元数(实部为零)，所以仍然对应到一个三维空间点，见式(3.33)。4．画表... 查看详情
视觉slam十四讲笔记--第三讲
目录第三讲课后题1、验证旋转矩阵是正交矩阵。2.*寻找罗德里格斯公式的推导过程并加以理解。3.验证四元数旋转某个点后，结果是一个虚四元数(实部为零)，所以仍然对应到一个三维空间点，见式(3.33)。4．画表... 查看详情
视觉slam十四讲笔记--第二讲
第二讲：课后题1．阅读文献[1]和[14]，你能看懂其中的内容吗?文献1：Asurveyofmonocularsimultaneouslocalizationandmapping可以从百度学术上自行下载本文献是一篇SLAM的综述，首先从AR（Augmentedreality增强现实）切入&... 查看详情
视觉slam十四讲笔记--第一讲
第一讲：课后习题有线性方程Ax=b，若已知A,b，需要求解x，该如何求解？这对A和b有哪些要求?【提示:从A的维度和秩角度来分析】答：可以利用大学时候学的非齐次方程组的方法求解，利用A的增广... 查看详情
视觉slam十四讲报错couldnotfindaconfigurationfileforpackage“opencv“thatiscompatiblewithreques(代码片段)
视觉SLAM十四讲报错Couldnotfindaconfigurationfileforpackage"OpenCV"thatiscompatiblewithrequestedversion"4".1.问题2.原因3.解决方案3.1修改CMakeLists.txt3.2编译OpenCV4版本1.问题在编译高博的视觉SLAM十四讲ch8的optical_flow.cpp时，编译报错... 查看详情
视觉slam十四讲第七章课后习题6(代码片段)
版权声明：本文为博主原创文章，转载请注明出处: http://www.cnblogs.com/newneul/p/8545450.html6、在PnP优化中，将第一个相机的观测也考虑进来，程序应如何书写？最后结果会有何变化？分析:实际上在PnP例子中，我们可以把第一帧作... 查看详情
视觉slam十四讲笔记--第二讲
...mentedreality增强现实）切入，讲了SLAM的重要性以及视觉SLAM可以带来的好处，然后以此展开总体的概括了SLAM的发展情况，也分析和介绍了各不同SLAM的性能区别，对各个特性进行了对比和分析，最后总体讲了... 查看详情
视觉slam十四讲笔记--第二讲
...mentedreality增强现实）切入，讲了SLAM的重要性以及视觉SLAM可以带来的好处，然后以此展开总体的概括了SLAM的发展情况，也分析和介绍了各不同SLAM的性能区别，对各个特性进行了对比和分析，最后总体讲了... 查看详情
视觉slam十四讲第1-2讲初识slam(代码片段)
视觉SLAM十四讲第1-2讲初识SLAM1.slam是什么2.SLAM基本模块3.相机的种类4.视觉slam基本流程5.非/线性系统、非/高斯系统6.CMake1.slam是什么定义：SLAM是SimultaneousLocalizationAndMapping的缩写，即同时定位与地图构建（我在什么地方&... 查看详情
视觉slam十四讲ch5joinmap.cpp代码注释（笔记版）
1#include<iostream>2#include<fstream>3usingnamespacestd;4#include<opencv2/core/core.hpp>5#include<opencv2/highgui/highgui.hpp>6#include<Eigen/Geometry>7#include<boost/ 查看详情