剥不掉的椰子壳

83 项开源视觉 SLAM 方案够你用了吗？

前言

1.本文简单将各种开源视觉SLAM方案分为以下 7 类（固然有不少文章无法恰当分类）：

·Geometric SLAM

·Semantic / Learning SLAM

·Multi-Landmarks / Object SLAM

·VIO / VISLAM

·Dynamic SLAM

·Mapping

·Optimization

2.由于本人自 2019 年 3 月开始整理，所以以下的代码除了经典的框架之外基本都集中在 19-20 年；此外个人比较关注 VO、物体级 SLAM 和多路标 SLAM，所以以下内容收集的也不完整，无法涵盖视觉 SLAM 的所有研究，仅作参考。

一、Geometric SLAM（20 项）

这一类是传统的基于特征点、直接法或半直接法的 SLAM，虽说传统，但 2019 年也新诞生了 9 个开源方案。

1. PTAM

论文：Klein G, Murray D. Parallel tracking and mapping for small AR workspaces[C]//Mixed andAugmented Reality, 2007. ISMAR 2007. 6th IEEE and ACM International Symposiumon. IEEE, 2007: 225-234.

代码：https://github.com/Oxford-PTAM/PTAM-GPL

工程地址：http://www.robots.ox.ac.uk/~gk/PTAM/

作者其他研究：http://www.robots.ox.ac.uk/~gk/publications.html

2. S-PTAM（双目 PTAM）

论文：Taihú Pire,Thomas Fischer, Gastón Castro,Pablo De Cristóforis, Javier Civera and Julio Jacobo Berlles. S-PTAM: Stereo Parallel Tracking and Mapping. Robotics and AutonomousSystems, 2017.

代码：https://github.com/lrse/sptam

作者其他论文：Castro G,Nitsche M A, Pire T, et al. Efficient on-board Stereo SLAM throughconstrained-covisibility strategies[J]. Robotics and Autonomous Systems, 2019.

3. MonoSLAM

论文：Davison A J, Reid I D, Molton N D, et al. MonoSLAM:Real-time single camera SLAM[J]. IEEE transactions on patternanalysis and machine intelligence, 2007, 29(6): 1052-1067.

代码：https://github.com/hanmekim/SceneLib2

4. ORB-SLAM2

论文：Mur-Artal R, Tardós J D. Orb-slam2: Anopen-source slam system for monocular, stereo, and rgb-d cameras[J]. IEEETransactions on Robotics, 2017, 33(5): 1255-1262.

代码：https://github.com/raulmur/ORB_SLAM2

作者其他论文：

单目半稠密建图：Mur-Artal R, Tardós J D. Probabilistic Semi-Dense Mapping from Highly AccurateFeature-Based Monocular SLAM[C]//Robotics: Science and Systems. 2015,2015.

VIORB：Mur-Artal R, Tardós J D. Visual-inertialmonocular SLAM with map reuse[J]. IEEE Robotics and AutomationLetters, 2017, 2(2): 796-803.

多地图：Elvira R, Tardós J D, Montiel J M M. ORBSLAM-Atlas: arobust and accurate multi-map system[J]. arXiv preprint arXiv:1908.11585, 2019.

以下 5, 6, 7, 8 几项是 TUM 计算机视觉组全家桶

5. DSO

论文：Engel J, Koltun V, Cremers D. Direct sparseodometry[J]. IEEE transactions on pattern analysis and machineintelligence, 2017, 40(3): 611-625.

代码：https://github.com/JakobEngel/dso

双目 DSO：Wang R, Schworer M, Cremers D. Stereo DSO: Large-scale direct sparse visual odometry withstereo cameras[C]//Proceedings of the IEEE International Conference onComputer Vision. 2017: 3903-3911.

VI-DSO：Von Stumberg L, Usenko V, Cremers D. Direct sparsevisual-inertial odometry using dynamic marginalization[C]//2018 IEEEInternational Conference on Robotics and Automation (ICRA). IEEE, 2018:2510-2517.

6. LDSO

高翔在 DSO 上添加闭环的工作

论文：Gao X, Wang R, Demmel N, et al. LDSO: Directsparse odometry with loop closure[C]//2018 IEEE/RSJ InternationalConference on Intelligent Robots and Systems (IROS). IEEE, 2018:2198-2204.

代码：https://github.com/tum-vision/LDSO

7. LSD-SLAM

论文：Engel J, Schöps T, Cremers D. LSD-SLAM: Large-scale direct monocular SLAM[C]//Europeanconference on computer vision. Springer, Cham, 2014: 834-849.

代码：https://github.com/tum-vision/lsd_slam

8. DVO-SLAM

论文：Kerl C, Sturm J, Cremers D. Dense visualSLAM for RGB-D cameras[C]//2013 IEEE/RSJ International Conferenceon Intelligent Robots and Systems. IEEE, 2013: 2100-2106.

代码 1：https://github.com/tum-vision/dvo_slam

代码 2：https://github.com/tum-vision/dvo

其他论文：

Kerl C, Sturm J,Cremers D. Robust odometry estimation for RGB-D cameras[C]//2013 IEEEinternational conference on robotics and automation. IEEE, 2013:3748-3754.

Steinbrücker F,Sturm J, Cremers D. Real-time visual odometry from dense RGB-D images[C]//2011 IEEEinternational conference on computer vision workshops (ICCV Workshops). IEEE, 2011:719-722.

9. SVO

苏黎世大学机器人与感知课题组

论文：Forster C, Pizzoli M, Scaramuzza D. SVO: Fast semi-direct monocular visual odometry[C]//2014 IEEEinternational conference on robotics and automation (ICRA). IEEE, 2014:15-22.

代码：https://github.com/uzh-rpg/rpg_svo

Forster C, ZhangZ, Gassner M, et al. SVO: Semidirect visual odometry for monocular andmulticamera systems[J]. IEEE Transactions on Robotics, 2016,33(2): 249-265.

10. DSM

论文：Zubizarreta J, Aguinaga I, Montiel J M M. Direct sparsemapping[J]. arXiv preprint arXiv:1904.06577, 2019.

代码：https://github.com/jzubizarreta/dsm

11. openvslam

论文：Sumikura S,Shibuya M, Sakurada K. OpenVSLAM: A Versatile Visual SLAM Framework[C]//Proceedingsof the 27th ACM International Conference on Multimedia. 2019: 2292-2295.

代码：https://github.com/xdspacelab/openvslam

12. se2lam（地面车辆位姿估计的视觉里程计）

论文：Zheng F, Liu Y H. Visual-OdometricLocalization and Mapping for Ground Vehicles Using SE (2)-XYZ Constraints[C]//2019International Conference on Robotics and Automation (ICRA). IEEE, 2019:3556-3562.

代码：https://github.com/izhengfan/se2lam

作者的另外一项工作

论文：Zheng F, Tang H,Liu Y H. Odometry-vision-basedground vehicle motion estimation with se (2)-constrained se (3) poses[J]. IEEEtransactions on cybernetics, 2018, 49(7): 2652-2663.

代码：https://github.com/izhengfan/se2clam

13. GraphSfM（基于图的并行大尺度 SFM）

论文：Chen Y, Shen S,Chen Y, et al. Graph-BasedParallel Large Scale Structure from Motion[J]. arXivpreprint arXiv:1912.10659, 2019.

代码：https://github.com/AIBluefisher/GraphSfM

14. LCSD_SLAM（松耦合的半直接法单目 SLAM）

论文：Lee S H, Civera J. Loosely-Coupledsemi-direct monocular SLAM[J]. IEEE Robotics and AutomationLetters, 2018, 4(2): 399-406.

代码：https://github.com/sunghoon031/LCSD_SLAM；谷歌学术；演示视频

作者另外一篇关于单目尺度的文章代码开源：Lee S H, deCroon G. Stability-based scale estimation for monocular SLAM[J]. IEEERobotics and Automation Letters, 2018, 3(2): 780-787.

15. RESLAM（基于边的 SLAM）

论文：Schenk F, Fraundorfer F. RESLAM: Areal-time robust edge-based SLAM system[C]//2019 International Conference onRobotics and Automation (ICRA). IEEE, 2019: 154-160.

代码：https://github.com/fabianschenk/RESLAM

16. scale_optimization（将单目 DSO 拓展到双目）

论文：Mo J, Sattar J. ExtendingMonocular Visual Odometry to Stereo Camera System by Scale Optimization[C].International Conference on Intelligent Robots and Systems (IROS), 2019.

代码：https://github.com/jiawei-mo/scale_optimization

17. BAD-SLAM（直接法 RGB-D SLAM）

论文：Schops T, Sattler T, Pollefeys M. BAD SLAM: Bundle Adjusted Direct RGB-D SLAM[C]//Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition. 2019:134-144.

代码：https://github.com/ETH3D/badslam

18. GSLAM（集成 ORB-SLAM2，DSO，SVO 的通用框架）

论文：Zhao Y, Xu S, Bu S, et al. GSLAM: A general SLAM framework and benchmark[C]//Proceedingsof the IEEE International Conference on Computer Vision. 2019:1110-1120.

代码：https://github.com/zdzhaoyong/GSLAM

19. ARM-VO（运行于 ARM 处理器上的单目 VO）

论文：Nejad Z Z, Ahmadabadian A H. ARM-VO: an efficient monocular visual odometry for groundvehicles on ARM CPUs[J]. Machine Vision and Applications, 2019:1-10.

代码：https://github.com/zanazakaryaie/ARM-VO

20. cvo-rgbd（直接法 RGB-D VO）

论文：Ghaffari M, Clark W, Bloch A, et al. ContinuousDirect Sparse Visual Odometry from RGB-D Images[J]. arXivpreprint arXiv:1904.02266, 2019.

代码：https://github.com/MaaniGhaffari/cvo-rgbd

二、Semantic / Learning SLAM（12 项）

SLAM 与深度学习相结合的工作当前主要体现在两个方面，一方面是将语义信息参与到建图、位姿估计等环节中，另一方面是端到端地完成 SLAM 的某一个步骤（比如 VO，闭环等）。个人对后者没太关注，也同样欢迎大家在issue中分享。

21. MsakFusion

论文：Runz M, Buffier M, Agapito L. Maskfusion:Real-time recognition, tracking and reconstruction of multiple moving objects[C]//2018 IEEEInternational Symposium on Mixed and Augmented Reality (ISMAR). IEEE, 2018:10-20.

代码：https://github.com/martinruenz/maskfusion

22. SemanticFusion

论文：McCormac J, Handa A, Davison A, et al. Semanticfusion:Dense 3d semantic mapping with convolutional neural networks[C]//2017 IEEEInternational Conference on Robotics and automation (ICRA). IEEE, 2017:4628-4635.

代码：https://github.com/seaun163/semanticfusion

23. semantic_3d_mapping

论文：Yang S, Huang Y, Scherer S. Semantic 3Doccupancy mapping through efficient high order CRFs[C]//2017IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).IEEE, 2017: 590-597.

代码：https://github.com/shichaoy/semantic_3d_mapping

24. Kimera（实时度量与语义定位建图开源库）

论文：Rosinol A, AbateM, Chang Y, et al. Kimera: anOpen-Source Library for Real-Time Metric-Semantic Localization and Mapping[J]. arXivpreprint arXiv:1910.02490, 2019.

代码：https://github.com/MIT-SPARK/Kimera

25. NeuroSLAM（脑启发式 SLAM）

论文：Yu F, Shang J, Hu Y, et al. NeuroSLAM: a brain-inspired SLAM system for 3Denvironments[J]. Biological Cybernetics, 2019: 1-31.

代码：https://github.com/cognav/NeuroSLAM

第四作者就是 Rat SLAM 的作者，文章也比较了十余种脑启发式的 SLAM

26. gradSLAM（自动分区的稠密 SLAM）

论文：Jatavallabhula K M, Iyer G, Paull L. gradSLAM:Dense SLAM meets Automatic Differentiation[J]. arXivpreprint arXiv:1910.10672, 2019.

代码（预计 20 年 4 月放出）：https://github.com/montrealrobotics/gradSLAM

27. ORB-SLAM2 + 目标检测/分割的方案语义建图

https://github.com/floatlazer/semantic_slam

https://github.com/qixuxiang/orb-slam2_with_semantic_labelling

https://github.com/Ewenwan/ORB_SLAM2_SSD_Semantic

28. SIVO（语义辅助特征选择）

论文：Ganti P, Waslander S. NetworkUncertainty Informed Semantic Feature Selection for Visual SLAM[C]//2019 16thConference on Computer and Robot Vision (CRV). IEEE, 2019: 121-128.

代码：https://github.com/navganti/SIVO

29. FILD（临近图增量式闭环检测）

论文：Shan An, Guangfu Che, Fangru Zhou,Xianglong Liu, Xin Ma, Yu Chen.Fast and Incremental Loop Closure Detection usingProximity Graphs. pp. 378-385, The 2019 IEEE/RSJ International Conferenceon Intelligent Robots and Systems (IROS2019)

代码：https://github.com/AnshanTJU/FILD

30. object-detection-sptam（目标检测与双目 SLAM）

论文：Pire T, Corti J, Grinblat G. Online Object Detection and Localization on Stereo VisualSLAM System[J]. Journal of Intelligent & Robotic Systems, 2019:1-10.

代码：https://github.com/CIFASIS/object-detection-sptam

31. Map Slammer（单目深度估计 + SLAM）

论文：Torres-Camara J M, Escalona F, Gomez-DonosoF, et al. Map Slammer: Densifying Scattered KSLAM 3D Maps withEstimated Depth[C]//Iberian Robotics conference. Springer, Cham, 2019:563-574.

代码：https://github.com/jmtc7/mapSlammer

32. NOLBO（变分模型的概率 SLAM）

论文：Yu H, Lee B. Not Only LookBut Observe: Variational Observation Model of Scene-Level 3D Multi-ObjectUnderstanding for Probabilistic SLAM[J]. arXiv preprint arXiv:1907.09760, 2019.

代码：https://github.com/bogus2000/NOLBO

三、Multi-Landmarks / Object SLAM（12 项）

其实多路标的点、线、平面 SLAM 和物体级 SLAM 完全可以分类在 Geometric SLAM 和 Semantic SLAM中，但个人对这一方向比较感兴趣（也是我的研究生课题），所以将其独立出来，开源方案相对较少，但很有意思。

33. PL-SVO（点线 SVO）

论文：Gomez-Ojeda R, Briales J, Gonzalez-JimenezJ. PL-SVO: Semi-direct Monocular Visual Odometry by combiningpoints and line segments[C]//Intelligent Robots and Systems(IROS), 2016 IEEE/RSJ International Conference on. IEEE, 2016:4211-4216.

代码：https://github.com/rubengooj/pl-svo

34. stvo-pl（双目点线 VO）

论文：Gomez-Ojeda R, Gonzalez-Jimenez J. Robust stereo visual odometry through a probabilisticcombination of points and line segments[C]//2016 IEEE International Conferenceon Robotics and Automation (ICRA). IEEE, 2016: 2521-2526.

代码：https://github.com/rubengooj/stvo-pl

35. PL-SLAM（点线 SLAM）

论文：Gomez-Ojeda R, Zuñiga-Noël D, Moreno F A,et al. PL-SLAM: aStereo SLAM System through the Combination of Points and Line Segments[J]. arXivpreprint arXiv:1705.09479, 2017.

代码：https://github.com/rubengooj/pl-slam

Gomez-Ojeda R,Moreno F A, Zuñiga-Noël D, et al.PL-SLAM: a stereo SLAM system through the combination ofpoints and line segments[J]. IEEE Transactions on Robotics, 2019,35(3): 734-746.

36. PL-VIO

论文：He Y, Zhao J, Guo Y, et al. PL-VIO:Tightly-coupled monocular visual–inertial odometry using point and linefeatures[J]. Sensors, 2018, 18(4): 1159.

代码：https://github.com/HeYijia/PL-VIO

VINS + 线段：https://github.com/Jichao-Peng/VINS-Mono-Optimization

37. lld-slam（用于 SLAM 的可学习型线段描述符）

论文：Vakhitov A, Lempitsky V. Learnable line segment descriptor for visual SLAM[J]. IEEEAccess, 2019, 7: 39923-39934.

代码：https://github.com/alexandervakhitov/lld-slam；Video

点线结合的工作还有很多，国内的比如 + 上交邹丹平老师的 Zou D, Wu Y, Pei L, et al. StructVIO:visual-inertial odometry with structural regularity of man-made environments[J]. IEEETransactions on Robotics, 2019, 35(4): 999-1013. + 浙大的 Zuo X, Xie X, Liu Y, et al. Robust visualSLAM with point and line features[C]//2017 IEEE/RSJ InternationalConference on Intelligent Robots and Systems (IROS). IEEE, 2017:1775-1782.

38. PlaneSLAM

论文：Wietrzykowski J. On the representation of planes for efficient graph-basedslam with high-level features[J]. Journal of Automation MobileRobotics and Intelligent Systems, 2016, 10.

代码：https://github.com/LRMPUT/PlaneSLAM

作者另外一项开源代码，没有找到对应的论文：https://github.com/LRMPUT/PUTSLAM

39. Eigen-Factors（特征因子平面对齐）

论文：Ferrer G. Eigen-Factors: Plane Estimation for Multi-Frame andTime-Continuous Point Cloud Alignment[C]//2019 IEEE/RSJ InternationalConference on Intelligent Robots and Systems (IROS). IEEE, 2019:1278-1284.

代码：https://gitlab.com/gferrer/eigen-factors-iros2019

40. PlaneLoc

论文：Wietrzykowski J, Skrzypczyński P. PlaneLoc:Probabilistic global localization in 3-D using local planar features[J]. Roboticsand Autonomous Systems, 2019, 113: 160-173.

代码：https://github.com/LRMPUT/PlaneLoc

41. Pop-up SLAM

论文：Yang S, Song Y, Kaess M, et al. Pop-up slam:Semantic monocular plane slam for low-texture environments[C]//2016IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).IEEE, 2016: 1222-1229.

代码：https://github.com/shichaoy/pop_up_slam

42. Object SLAM

论文：Mu B, Liu S Y, Paull L, et al. Slam withobjects using a nonparametric pose graph[C]//2016 IEEE/RSJ InternationalConference on Intelligent Robots and Systems (IROS). IEEE, 2016:4602-4609.

代码：https://github.com/BeipengMu/objectSLAM

43. voxblox-plusplus（物体级体素建图）

论文：Grinvald M, Furrer F, Novkovic T, et al. Volumetricinstance-aware semantic mapping and 3D object discovery[J]. IEEERobotics and Automation Letters, 2019, 4(3): 3037-3044.

代码：https://github.com/ethz-asl/voxblox-plusplus

44. Cube SLAM

论文：Yang S, Scherer S. Cubeslam:Monocular 3-d object slam[J]. IEEE Transactions on Robotics, 2019,35(4): 925-938.

代码：https://github.com/shichaoy/cube_slam

也有很多有意思的但没开源的物体级 SLAM

Ok K, Liu K,Frey K, et al. RobustObject-based SLAM for High-speed Autonomous Navigation[C]//2019International Conference on Robotics and Automation (ICRA). IEEE, 2019:669-675.

Li J, Meger D,Dudek G. SemanticMapping for View-Invariant Relocalization[C]//2019International Conference on Robotics and Automation (ICRA). IEEE, 2019:7108-7115.

Nicholson L,Milford M, Sünderhauf N. Quadricslam:Dual quadrics from object detections as landmarks in object-oriented slam[J]. IEEERobotics and Automation Letters, 2018, 4(1): 1-8.

四、VIO / VISLAM（10 项）

在传感器融合方面只关注了视觉 + 惯导，其他传感器像 LiDAR，GPS 关注较少（SLAM 太复杂啦 -_-! ）。视惯融合的新工作也相对较少，基本一些经典的方案就够用了。

45. msckf_vio

论文：Sun K, Mohta K, Pfrommer B, et al. Robust stereovisual inertial odometry for fast autonomous flight[J]. IEEERobotics and Automation Letters, 2018, 3(2): 965-972.

代码：https://github.com/KumarRobotics/msckf_vio

46. rovio

论文：Bloesch M, Omari S, Hutter M, et al. Robust visual inertial odometry using a direct EKF-basedapproach[C]//2015 IEEE/RSJ international conference onintelligent robots and systems (IROS). IEEE, 2015: 298-304.

代码：https://github.com/ethz-asl/rovio

47. R-VIO

论文：Huai Z, Huang G. Robocentricvisual-inertial odometry[C]//2018 IEEE/RSJ InternationalConference on Intelligent Robots and Systems (IROS). IEEE, 2018:6319-6326.

代码：https://github.com/rpng/R-VIO

48. okvis

论文：Leutenegger S, Lynen S, Bosse M, et al. Keyframe-based visual–inertial odometry using nonlinearoptimization[J]. The International Journal of Robotics Research, 2015,34(3): 314-334.

代码：https://github.com/ethz-asl/okvis

49. VIORB

论文：Mur-Artal R, Tardós J D. Visual-inertialmonocular SLAM with map reuse[J]. IEEE Robotics and AutomationLetters, 2017, 2(2): 796-803.

代码：https://github.com/jingpang/LearnVIORB（VIORB 本身是没有开源的，这是王京大佬复现的一个版本）

50. VINS-mono

论文：Qin T, Li P, Shen S. Vins-mono: Arobust and versatile monocular visual-inertial state estimator[J]. IEEETransactions on Robotics, 2018, 34(4): 1004-1020.

代码：https://github.com/HKUST-Aerial-Robotics/VINS-Mono

双目版 VINS-Fusion：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion

移动段 VINS-mobile：https://github.com/HKUST-Aerial-Robotics/VINS-Mobile

51. VINS-RGBD

论文：Shan Z, Li R, Schwertfeger S. RGBD-InertialTrajectory Estimation and Mapping for Ground Robots[J]. Sensors, 2019,19(10): 2251.

代码：https://github.com/STAR-Center/VINS-RGBD

52. Open-VINS

论文：Geneva P, Eckenhoff K, Lee W, et al. Openvins: A research platform for visual-inertialestimation[C]//IROS 2019 Workshop on Visual-Inertial Navigation:Challenges and Applications, Macau, China. IROS 2019.

代码：https://github.com/rpng/open_vins

53. versavis（多功能的视惯传感器系统）

论文：Tschopp F, RinerM, Fehr M, et al. VersaVIS—AnOpen Versatile Multi-Camera Visual-Inertial Sensor Suite[J]. Sensors, 2020,20(5): 1439.

代码：https://github.com/ethz-asl/versavis

54. CPI（视惯融合的封闭式预积分）

论文：Eckenhoff K, Geneva P, Huang G. Closed-form preintegration methods for graph-basedvisual–inertial navigation[J]. The International Journal ofRobotics Research, 2018.

代码：https://github.com/rpng/cpi

五、Dynamic SLAM（5 项）

动态 SLAM 也是一个很值得研究的话题，这里不太好分类，很多工作用到了语义信息或者用来三维重建，收集的方案相对较少，欢迎补充issue。

55. DynamicSemanticMapping（动态语义建图）

论文：Kochanov D, Ošep A, Stückler J, et al. Scene flow propagation for semantic mapping and objectdiscovery in dynamic street scenes[C]//Intelligent Robots and Systems(IROS), 2016 IEEE/RSJ International Conference on. IEEE, 2016:1785-1792.

代码：https://github.com/ganlumomo/DynamicSemanticMapping

56. DS-SLAM（动态语义 SLAM）

论文：Yu C, Liu Z, Liu X J, et al. DS-SLAM: Asemantic visual SLAM towards dynamic environments[C]//2018IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).IEEE, 2018: 1168-1174.

代码：https://github.com/ivipsourcecode/DS-SLAM

57. Co-Fusion（实时分割与跟踪多物体）

论文：Rünz M, Agapito L. Co-fusion:Real-time segmentation, tracking and fusion of multiple objects[C]//2017 IEEEInternational Conference on Robotics and Automation (ICRA). IEEE, 2017:4471-4478.

代码：https://github.com/martinruenz/co-fusion

58. DynamicFusion

论文：Newcombe R A, Fox D, Seitz S M. Dynamicfusion: Reconstruction and tracking of non-rigidscenes in real-time[C]//Proceedings of the IEEE conference oncomputer vision and pattern recognition. 2015: 343-352.

代码：https://github.com/mihaibujanca/dynamicfusion

59. ReFusion（动态场景利用残差三维重建）

论文：Palazzolo E, Behley J, Lottes P, et al. ReFusion: 3DReconstruction in Dynamic Environments for RGB-D Cameras Exploiting Residuals[J]. arXivpreprint arXiv:1905.02082, 2019.

代码：https://github.com/PRBonn/refusion

六、Mapping（18 项）

针对建图的工作一方面是利用几何信息进行稠密重建，另一方面很多工作利用语义信息达到了很好的语义重建效果，三维重建本身就是个很大的话题，开源代码也很多，以下方案收集地可能也不太全。

60. InfiniTAM（跨平台 CPU 实时重建）

论文：Prisacariu V A,Kähler O, Golodetz S, et al. Infinitam v3: A framework for large-scale 3dreconstruction with loop closure[J]. arXiv preprint arXiv:1708.00783, 2017.

代码：https://github.com/victorprad/InfiniTAM

61. BundleFusion

论文：Dai A, Nießner M, Zollhöfer M, et al. Bundlefusion:Real-time globally consistent 3d reconstruction using on-the-fly surfacereintegration[J]. ACM Transactions on Graphics (TOG), 2017,36(4): 76a.

代码：https://github.com/niessner/BundleFusion

62. KinectFusion

论文：Newcombe R A, Izadi S, Hilliges O, et al. KinectFusion: Real-time dense surface mapping and tracking[C]//2011 10thIEEE International Symposium on Mixed and Augmented Reality. IEEE, 2011:127-136.

代码：https://github.com/chrdiller/KinectFusionApp

63. ElasticFusion

论文：Whelan T, Salas-Moreno R F, Glocker B, etal. ElasticFusion: Real-time dense SLAM and light sourceestimation[J]. The International Journal of Robotics Research, 2016,35(14): 1697-1716.

代码：https://github.com/mp3guy/ElasticFusion

64. Kintinuous

ElasticFusion 同一个团队的工作，帝国理工 Stefan Leutenegger

论文：Whelan T, Kaess M, Johannsson H, et al. Real-time large-scale dense RGB-D SLAM with volumetricfusion[J]. The International Journal of Robotics Research, 2015,34(4-5): 598-626.

代码：https://github.com/mp3guy/Kintinuous

65. ElasticReconstruction

论文：Choi S, Zhou Q Y, Koltun V. Robust reconstruction of indoor scenes[C]//Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition. 2015:5556-5565.

代码：https://github.com/qianyizh/ElasticReconstruction

66. FlashFusion

论文：Han L, Fang L. FlashFusion:Real-time Globally Consistent Dense 3D Reconstruction using CPU Computing[C]. RSS, 2018.

代码（一直没放出来）：https://github.com/lhanaf/FlashFusion

67. RTAB-Map（激光视觉稠密重建）

论文：Labbé M, Michaud F. RTAB‐Map as an open‐source lidar and visual simultaneouslocalization and mapping library for large‐scale and long‐term online operation[J]. Journal ofField Robotics, 2019, 36(2): 416-446.

代码：https://github.com/introlab/rtabmap

68. RobustPCLReconstruction（户外稠密重建）

论文：Lan Z, Yew Z J, Lee G H. Robust Point Cloud Based Reconstruction of Large-ScaleOutdoor Scenes[C]//Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition. 2019: 9690-9698.

代码：https://github.com/ziquan111/RobustPCLReconstruction

69. plane-opt-rgbd（室内平面重建）

论文：Wang C, Guo X. Efficient Plane-Based Optimization of Geometry and Texturefor Indoor RGB-D Reconstruction[C]//Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition Workshops. 2019: 49-53.

代码：https://github.com/chaowang15/plane-opt-rgbd

70. DenseSurfelMapping（稠密表面重建）

论文：Wang K, Gao F, Shen S. Real-timescalable dense surfel mapping[C]//2019 International Conference onRobotics and Automation (ICRA). IEEE, 2019: 6919-6925.

代码：https://github.com/HKUST-Aerial-Robotics/DenseSurfelMapping

71. surfelmeshing（网格重建）

论文：Schöps T, Sattler T, Pollefeys M. Surfelmeshing:Online surfel-based mesh reconstruction[J]. IEEE Transactions on PatternAnalysis and Machine Intelligence, 2019.

代码：https://github.com/puzzlepaint/surfelmeshing

72. DPPTAM（单目稠密重建）

论文：Concha Belenguer A, Civera Sancho J. DPPTAM: Dense piecewise planar tracking and mapping from amonocular sequence[C]//Proc. IEEE/RSJ Int. Conf. Intell. Rob. Syst. 2015(ART-2015-92153).

代码：https://github.com/alejocb/dpptam

相关研究：基于超像素的单目 SLAM：UsingSuperpixels in Monocular SLAM ICRA 2014 ；谷歌学术

73. VI-MEAN（单目视惯稠密重建）

论文：Yang Z, Gao F, Shen S. Real-time monocular dense mapping on aerial robots usingvisual-inertial fusion[C]//2017 IEEE International Conference onRobotics and Automation (ICRA). IEEE, 2017: 4552-4559.

代码：https://github.com/dvorak0/VI-MEAN

74. REMODE（单目概率稠密重建）

论文：Pizzoli M, Forster C, Scaramuzza D. REMODE: Probabilistic, monocular dense reconstruction inreal time[C]//2014 IEEE International Conference on Robotics andAutomation (ICRA). IEEE, 2014: 2609-2616.

原始开源代码：https://github.com/uzh-rpg/rpg_open_remode

与 ORB-SLAM2 结合版本：https://github.com/ayushgaud/ORB_SLAM2https://github.com/ayushgaud/ORB_SLAM2

75. DeepFactors（实时的概率单目稠密 SLAM）

帝国理工学院戴森机器人实验室

论文：Czarnowski J, Laidlow T, Clark R, et al. DeepFactors:Real-Time Probabilistic Dense Monocular SLAM[J]. arXivpreprint arXiv:2001.05049, 2020.

代码：https://github.com/jczarnowski/DeepFactors（还未放出）

其他论文：Bloesch M,Czarnowski J, Clark R, et al. CodeSLAM—learning a compact, optimisable representationfor dense visual SLAM[C]//Proceedings of the IEEE conference oncomputer vision and pattern recognition. 2018: 2560-2568.

76. probabilistic_mapping（单目概率稠密重建）

港科沈邵劼老师团队

论文：Ling Y, Wang K, Shen S. Probabilisticdense reconstruction from a moving camera[C]//2018IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).IEEE, 2018: 6364-6371.

代码：https://github.com/ygling2008/probabilistic_mapping

另外一篇稠密重建文章的代码一直没放出来Github：Ling Y, Shen S. Real‐timedense mapping for online processing and navigation[J]. Journal ofField Robotics, 2019, 36(5): 1004-1036.

77. ORB-SLAM2 单目半稠密建图

论文：Mur-Artal R, Tardós J D. Probabilistic Semi-Dense Mapping from Highly AccurateFeature-Based Monocular SLAM[C]//Robotics: Science and Systems. 2015,2015.

代码（本身没有开源，贺博复现的一个版本）：https://github.com/HeYijia/ORB_SLAM2

加上线段之后的半稠密建图

论文：He S, Qin X, Zhang Z, et al. Incremental3d line segment extraction from semi-dense slam[C]//2018 24thInternational Conference on Pattern Recognition (ICPR). IEEE, 2018:1658-1663.

代码：https://github.com/shidahe/semidense-lines

作者在此基础上用于指导远程抓取操作的一项工作：https://github.com/atlas-jj/ORB-SLAM-free-space-carving

七、Optimization（6 项）

个人感觉优化可能是 SLAM 中最难的一部分了吧 +_+ ，我们一般都是直接用现成的因子图、图优化方案，要创新可不容易，分享山川小哥d的入坑指南https://zhuanlan.zhihu.com/p/53972892。

78. 后端优化库

GTSAM：https://github.com/borglab/gtsam

g2o：https://github.com/RainerKuemmerle/g2o

ceres：http://ceres-solver.org/

79. ICE-BA

论文：Liu H, Chen M, Zhang G, et al. Ice-ba: Incremental, consistent and efficient bundleadjustment for visual-inertial slam[C]//Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition. 2018: 1974-1982.

代码：https://github.com/baidu/ICE-BA

80. minisam（因子图最小二乘优化框架）

论文：Dong J, Lv Z. miniSAM: AFlexible Factor Graph Non-linear Least Squares Optimization Framework[J]. arXivpreprint arXiv:1909.00903, 2019.

代码：https://github.com/dongjing3309/minisam

81. SA-SHAGO（几何基元图优化）

论文：Aloise I, Della Corte B, Nardi F, et al. Systematic Handling of Heterogeneous Geometric Primitivesin Graph-SLAM Optimization[J]. IEEE Robotics and AutomationLetters, 2019, 4(3): 2738-2745.

代码：https://srrg.gitlab.io/sashago-website/index.html#

82. MH-iSAM2（SLAM 优化器）

论文：Hsiao M, Kaess M. MH-iSAM2:Multi-hypothesis iSAM using Bayes Tree and Hypo-tree[C]//2019International Conference on Robotics and Automation (ICRA). IEEE, 2019:1274-1280.

代码：https://bitbucket.org/rpl_cmu/mh-isam2_lib/src/master/

83. MOLA（用于定位和建图的模块化优化框架）

论文：Blanco-Claraco J L. A ModularOptimization Framework for Localization and Mapping[J]. Proc. ofRobotics: Science and Systems (RSS), FreiburgimBreisgau, Germany, 2019,2.

代码：https://github.com/MOLAorg/mola

你可能感兴趣的:(SLAM,三维重建,SLAM,三维重建,视觉算法,建图)

导致格式错误的 Lambda 代理响应的原因以及如何修复它 zqhdz米时空汇编
当人们尝试使用AWSAPIGateway和AWSLambda构建无服务器应用程序时，经常出现的一个问题是_由于配置错误而执行失败：Lambda代理响应格式错误。_没有什么比通用错误消息更糟糕的了，它们不会告诉您解决问题所需的任何内容，对吧？AWS并不是以其错误消息设计而闻名，如果甚至可以这样称呼它的话，更不用说为您提供解决问题的方法了。那么如何修复这个Lambda错误以及是什么原因造成的呢？花椒壳
ArcGIS Pro SDK （十四）地图探索 5 时间与动画 WineMonk ArcGIS Pro SDK arcgis arcgis pro sdk gis c#
ArcGISProSDK（十四）地图探索5时间与动画文章目录ArcGISProSDK（十四）地图探索5时间与动画1时间1.1时间提前1个月1.2禁用地图中的时间。2动画2.1设置动画长度2.2缩放动画2.3相机关键帧2.4插值相机2.5插值时间2.6插值范围2.7创建摄像机关键帧2.8创建时间关键帧2.9创建范围关键帧2.10创建图层关键帧环境：VisualStudio2022+.NET6+Arc
题解 | #完全数计算#不知道为什么没超时的暴力解法 huaxinjiayou java
兄弟们，坚持就是胜利啊，找工作从去年秋招就开始找，到五月底才收到第一个offer星环的，然后六月初t咋六月了还有面试啊，有兄弟了解这个部门吗面完了家人们，纯纯kpi啊，上来就是一道题是打印多个字符串的华为接头人话术指南：欲投华为，必看此贴!引流华为招聘提前批【奖】这个夏天，和牛牛一起打卡刷题~Java面试实战项目25届本科找暑期实习的历程飞猪旅行运营岗面经百度视觉算法一面面经感谢牛友们，腾子pcg
ROS yaml参数文件的使用 Sun Shiteng ROS
举个例子，若在params.yaml文件中定义如下参数LidarImageFusion:points_src:"/hilbert_h/deskew/cloud_info"image_src:"/usb_cam0/image_raw"camera_info_src:"/home/hdj/fusion_slam/Color_SLAM_ws/src/hilbert_h/config/firefly_8s
xwiki html和css,MediaWiki vs. XWiki Ake阿科多语言信息技术编程数据库操作系统
140Afar,Abkhazian,Afrikaans,Amharic,Arabic,Assamese,Aymara,Azerbaijani,Bashkir,Byelorussian,Bulgarian,Bihari,Bislama,Bengali;Bangla,Tibetan,Breton,Catalan,Corsican,Czech,Welsh,Danish,German,Bhutani,Gr
2021-07-07 潇洒二爷
一辆特斯拉“花格子S型”小车，突然起火，电子技术的车门也失灵TeslaModelSPlaidbrokeintofirewithfailureofelctronicdoors一辆“花格子牌”（ModelSPlaid）特斯拉轿车，在6月29日这天，车主正在路上行驶，突然烈焰腾飞，他的代理律师说，他被短时间困在车内，因为几个电动门都打不开。事情在几天前发生于费城外，这名男子拿到这款特斯拉之后，号称是世界
java实现将数据生成图表至excel导出 AdoredU
1.目的根据已有数据，手动（java后台）生成图表至excel并导出。用于后台查询到数据后直接创建图表，可以代替直接使用图表信息字符串。2.说明使用jfree图表绘制类库绘制图表，并生成到本地或读取至输出流用于在excel中生成；使用poi操作excel；3.使用jar包使用maven管理jar包，主要包含poi和jfree：3.11org.apache.poipoi${poi-version}o
力扣刷题记录（一）剑指Offer（第二版）乘凉~ 求职过程记录 leetcode 链表算法
1、本栏用来记录社招找工作过程中的内容，包括基础知识学习以及面试问题的记录等，以便于后续个人回顾学习；暂时只有2023年3月份，第一次社招找工作的过程；2、个人经历：研究生期间课题是SLAM在无人机上的应用，有接触SLAM、Linux、ROS、C/C++、DJIOSDK等；3、参加工作后（2021-2023年）岗位是嵌入式软件开发，主要是服务器开发，Linux、C/C++、网络编程、docker容
Pyecharts可视化数据大屏七夜zippoe 大数据大数据
Pyecharts是一个非常强大的Python数据可视化库，它可以用来创建各种图表，并通过配置参数将这些图表组合成数据大屏。以下是创建一个简单的数据大屏的步骤和示例代码。1.安装pyecharts首先，你需要安装pyecharts：pipinstallpyecharts2.创建图表使用pyecharts创建多个图表，如柱状图、折线图等。下面是一些示例：frompyecharts.chartsimp
论文笔记—NDT-Transformer: Large-Scale 3D Point Cloud Localization using the Normal Distribution Transfor 入门打工人笔记 slam 定位算法
论文笔记—NDT-Transformer:Large-Scale3DPointCloudLocalizationusingtheNormalDistributionTransformRepresentation文章摘要~~~~~~~在GPS挑战的环境中，自动驾驶对基于3D点云的地点识别有很高的要求，并且是基于激光雷达的SLAM系统的重要组成部分（即闭环检测）。本文提出了一种名为NDT-Transf
汽车智能驾驶算法汇总芊言芊语汽车算法
汽车智能驾驶算法是自动驾驶技术的核心，它们集成了多个学科的知识，包括计算机视觉、机器学习、控制理论、路径规划等。以下是对汽车智能驾驶算法的一个详细汇总，内容分为几个关键部分进行阐述。一、计算机视觉算法计算机视觉是智能驾驶算法中用于识别和理解环境的关键技术。它主要包括图像处理、特征提取和对象识别等步骤。图像处理：通过摄像头等设备获取车辆前方的图像，然后进行预处理，如灰度化、二值化、滤波等操作，以提高
图论中虚拟原点和反向建图两种方法—Acwing1137选择最短路线 kkj2004 算法图论
虚拟原点和反向建图两种方法（本题中受范围限制运行速度区别不大）（附AC代码）这是蒟蒻在Acwing的第一篇题解（斗胆求赞）题目传送门现在时间是2023/1/2620:56，给大家拜个晚年看到题的第一眼就发现了这道题是一道图论中巧妙建图的模板题水题（好在范围也不大，不用加任何的优化）这道题如果一开始的思路是让某个图论算法跑W遍的话，那大概率会TLE（当然我没试），所以我们不能将这道题的时间复杂度*W
探索PyQt：常用函数与代码示例零度° python python
引言PyQt是一个用于创建跨平台GUI应用程序的Python绑定库，它提供了对Qt库的全面访问。在本文中，我们将深入探讨PyQt中的一些常用函数，并通过参数解释和代码示例来帮助您更好地理解它们的用法。PyQt5简介PyQt5是Qtv5的Python绑定，它允许您使用Python语言来创建图形用户界面(GUI)。它包括了Qt的大部分模块，如核心功能、GUI组件、网络编程、多线程等。常用函数与参数解释
最短路算法一 halcyonfreed 算法
2024061819:33朴素版Dijkstra47:00Heap优化版1:04:00Bellman-ford最短路算法——5种！！！考察重点：不会考算法证明，这里不讲了，重点是实现+抽象1.如何建图——如何定义点边，抽象成一个图问题Prim/i/，kruskal是最小生成树算法不是prime/ai/质数1.是么时候用？方法n图的node数m边数单源：只有一个起点，求从1个点到其他所有点/第n号点
【前端面试】标记、绘画视频的某一帧贾明恣前端音视频
搜寻三方库在前端开发中，Canvas是一个强大的工具，可以用来创建图形、动画和各种视觉效果。为了简化和增强Canvas的使用，社区中出现了许多库。以下是一些主流的Canvas库及其特性和性能对比：Fabric.js：概述：Fabric.js是一个基于对象的Canvas库，提供了丰富的API来操作和管理Canvas元素。它特别适合处理交互式和可编辑的图形应用，如在线图像编辑器、绘图工具等。优点：面向
Python之Tkinter包的filedialog模块介绍学习&实践爱好者 Python学习 python
Python之Tkinter包的filedialog模块介绍在程序运行该过程中，当你需要手动选择文件或手动选择文件存储路径时，就需要用到tkinter库中filedialog提供的函数。tkinter的filedialog模块提供了一个简单的对话框界面，用于让用户选择文件或目录。它通常与tkinter一起使用，用于创建图形用户界面（GUI）应用程序。Tkinter库是python默认的GUI库，它
python gui开发工具什么好,python的gui库哪个好 M3666789 人工智能
大家好，小编来为大家解答以下问题，pythongui开发工具什么好，python的gui库哪个好，现在让我们一起来看看吧！Sourcecodedownload:本文相关源码在Python中，有很多库可以帮助创建图形用户界面(GUI)。以下是一些流行的选择：一、TkinterPython的标准库之一，用于创建窗口、按钮、滑动条和其他常见的GUI元素用python3.4画满天星。对于简单的应用程序，T
深度学习特征提取魔改版太强了！发文香饽饽！深度之眼深度学习干货人工智能干货人工智能深度学习机器学习论文特征提取
要说CV领域经久不衰的研究热点，特征提取可以占一席，毕竟SLAM、三维重建等重要应用的底层都离不开它。再加上近几年深度学习兴起，用深度学习做特征提取逐渐成了主流，比传统算法无论是性能、准确性还是效率都更胜一筹。目前比较常见的深度学习特征提取方法有基于transformer、基于CNN、基于LSTM以及基于GAN，都发展的比较成熟。但为了追求更快速、准确、鲁棒的特征点提取，研究者们开始致力于改进深度
视觉SLAM十四讲学习笔记——第十讲后端优化（2）晒月光12138 视觉SLAM十四讲学习笔记 slam ubuntu
上文提到考虑全局的后端优化计算量非常大，因此在计算增量方程时，借助H矩阵的稀疏性加速运算。但是随着时间的推移，累积的相机位姿和路标数量还是会导致计算量过大，以上一节的示例代码数据为例：16张图像，共提取到22106个特征点，这些特征点共出现了83718次。对于一个20Hz更新速度，上述的数据量甚至还不到1s的内容，因此在求解大规模定位建图问题时，一定要控制BA的规模。这里主要有两种解决思路：（1）
**深度融合未来——DI-Fusion：开启在线三维重建新篇章** 余靖年Veronica
深度融合未来——DI-Fusion：开启在线三维重建新篇章在三维世界探索的前沿，一项名为DI-Fusion的技术正悄然掀起一波科技浪潮。由清华大学的JiahuiHuang、Shi-ShengHuang等人共同研发，这项创新成果已在CVPR2021上大放异彩，它的出现标志着在线隐式三维重构领域的重大突破。项目介绍重塑三维视觉新纪元DI-Fusion，又称为深度融合，是一项基于RGB-D流数据的新型在
Unique3D：开启单张图片三维重建新篇章余靖年Veronica
Unique3D：开启单张图片三维重建新篇章Unique3DOfficialimplementationofUnique3D:High-QualityandEfficient3DMeshGenerationfromaSingleImage项目地址:https://gitcode.com/gh_mirrors/un/Unique3D在当今高速发展的科技领域中，三维重建技术正以惊人的速度改变着我们的视
unity3d 大地图接壤_多人紧密交互场景下的多视角人体动态三维重建方法与流程... weixin_39947908 unity3d 大地图接壤
本发明属于计算机视觉和图形学领域，具体讲，涉及人体关键点检测、追踪和人体三维模型重建方法。背景技术：在计算机视觉和计算机图形学中，无标记人体运动捕捉已经成为一个热门并且具有挑战性的热点问题，其主要任务是通过跟踪视频中移动对象的运动来恢复动态时间一致的3D形状。最近十年以来单人运动捕捉方法取得了巨大的进步，然而当前的方法需要对相机进行设置或处于一个受控的工作室环境中，并且依赖于良好的图像分割技术。在
《Java基础知识》Java Lambda表达式 Limingmingaa java java 开发语言蓝桥杯
接触Lambda表达式的时候，第一感觉就是，这个是啥？我居然看不懂，于是开始寻找资料，必须弄懂它。先来看一个案例：@FunctionalInterfacepublicinterfaceMyLamda{voidtest1(Stringy);}importdemo.knowledgepoints.Lambda.inf.MyLamda;publicclassLambdaTest{publicsta
机器学习面试题目分享面试经验分享机器学习算法工程师深度学习经典问题好家伙VCC 面试机器学习面试经验分享 stm32 嵌入式硬件单片机 fpga开发
标题机器学习面经总结的常见面试题目等作业帮实习视觉算法一面凉凉经3.16号投递图像算法实习生，昨天hr打电话约了今早上牛客面试面试官还是很和蔼的，问了很多基础和细节，平时我都没有注意到的，肯定凉了，在这里记录一下，分享给大家由于我本科研究生都是计算机的，因此问了一些计算机基础的东西，但是由于年代久远，我都不记得了机器学习方面知识因为缺少一些动手实践，因此很多细节都不了解感谢面试官让我了解到这么多不
【大数据】浅谈Pyecharts：数据可视化的强大工具熬夜的王大数据数据库大数据百度信息可视化集成学习
文章目录一、引言二、Pyecharts是什么三、Pyecharts的发展历程四、如何使用Pyecharts1.安装Pyecharts2.创建图表（1）导入Pyecharts模块：（2）创建图表实例：（3）添加数据：（4）设置图表样式：（5）渲染图表：3.运行和查看图表五、目前的市场情况六、总结一、引言在数据时代，数据可视化已成为数据分析的重要组成部分。Pyecharts，作为一款基于Python的
不幻亦不想不惧不慌一江寒雪
刚上大学时，新建图书馆里永远找不到空闲的位置。爬遍每一个楼层入眼的永远是黑压压的人，当然还少不了他们面前的电脑和书桌上厚厚的基本摞起来可以盖住他们脸庞的书。后来我知道那些忙着考研的学长学姐们会提前预定好座位，而十分“咸鱼”的大一新生中少部分积极的人会选择去那个天天装潢声音震天响的旧图书馆或是弘毅堂餐桌旁那一排专供自习的桌子。再后来我知道宏毅堂的四楼也是一间自习室，我本以为那是专供教师点餐吃饭的楼层
Ego-planner：三维建图 grid_map.cpp解析 dueen1123 算法无人机
ego避障里面比较重要的功能是对环境进行栅格地图进行避障其实是通过深度图像或者点云数据来进行转换填充的，（没错，ego也可以利用点云来建图，也就是无需d435i进行输入，可以替换为激光雷达）下面我们分别对这两个方式的建图方法进行解析首先我们需要明确几个十分重要的变量：buffer_size：三维栅格地图的体积，是地图尺寸/分辨率获得的md_.occupancy_buffer_：初始的栅格地图占据状
NDT算法 Joeybee SLAM 算法
上一次我们学习了高翔《自动驾驶与机器人中的SLAM技术》中的三维ICP算法，其中包括点对点、点对线、点对面的ICP算法，本次博客学习NDT算法的源码。NDT算法与ICP算法的最大不同之处，在我看来是NDT考虑了均值和方差这两个局部统计量。从最后的求解方法来看，NDT采用了加权最小二乘问题的高斯-牛顿法，和ICP算法的最明显区别是多了权重分布。从高翔书中的测试结果来看，NDT的收敛速度稍弱于点对面I
java导出图片到excel_POI:将图片导出到Excel weixin_39778815 java导出图片到excel
POI什么的在此我就不多作介绍了，在POI中生成图片有关的有HSSFPatriarch和HSSFClientAnchor，前者负责在表中创建图片，后者负责设置图片的大小位置。/***根据输出路径及要导出的图片文件生成EXCEL*@paramdesPath*@paramfile*/privatevoidcreateSheet(StringdesPath,Stringfile){try{//创建图片页
通俗易懂学nerf——初识nerf 四个字通俗易懂学nerf 人工智能自动驾驶 python
nerf，听起来像是一个神秘的魔法词汇，但它其实是一种前沿且超酷的技术！它是能让你从二维世界“跃升”到三维空间的神奇技术。想象一下，你手里有一张平面的照片，上面的风景、建筑都是扁平的，仿佛缺少了生命力。但有了NERF三维重建，这一切都变得鲜活起来！它就像是个超级魔术师，轻轻一挥，那张平面的照片就变成了立体的三维模型，仿佛你可以走进去，感受那里的空气、触摸那里的物体。nerf是怎么做到的呢？其实它的
统一思想认识永夜-极光思想
1.统一思想认识的基础,才能有的放矢原因: 总有一种描述事物的方式最贴近本质,最容易让人理解. 如何让教育更轻松,在于找到最适合学生的方式. 难点在于,如何模拟对方的思维基础选择合适的方式. &
Joda Time使用笔记 bylijinnan java joda time
Joda Time的介绍可以参考这篇文章： http://www.ibm.com/developerworks/cn/java/j-jodatime.html 工作中也常常用到Joda Time，为了避免每次使用都查API，记录一下常用的用法： /** * DateTime变化（增减） */ @Tes
FileUtils API eksliang FileUtils FileUtils API
转载请出自出处：http://eksliang.iteye.com/blog/2217374 一、概述这是一个Java操作文件的常用库，是Apache对java的IO包的封装，这里面有两个非常核心的类FilenameUtils跟FileUtils，其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装，开发中对文件的操作，几乎都可以在这个框架里面找到。非常的好用。
各种新兴技术不懂事的小屁孩技术
1:gradle Gradle 是以 Groovy 语言为基础，面向Java应用为主。基于DSL（领域特定语言）语法的自动化构建工具。现在构建系统常用到maven工具，现在有更容易上手的gradle，搭建java环境: http://www.ibm.com/developerworks/cn/opensource/os-cn-gradle/ 搭建android环境： http://m
tomcat6的https双向认证酷的飞上天空 tomcat6
1.生成服务器端证书 keytool -genkey -keyalg RSA -dname "cn=localhost,ou=sango,o=none,l=china,st=beijing,c=cn" -alias server -keypass password -keystore server.jks -storepass password -validity 36
托管虚拟桌面市场势不可挡蓝儿唯美
用户还需要冗余的数据中心，dinCloud的高级副总裁兼首席营销官Ali Din指出。该公司转售一个MSP可以让用户登录并管理和提供服务的用于DaaS的云自动化控制台，提供服务或者MSP也可以自己来控制。在某些情况下，MSP会在dinCloud的云服务上进行服务分层，如监控和补丁管理。 MSP的利润空间将根据其参与的程度而有所不同，Din说。 “我们有一些合作伙伴负责将我们推荐给客户作为个
spring学习——xml文件的配置 a-john spring
在Spring的学习中，对于其xml文件的配置是必不可少的。在Spring的多种装配Bean的方式中，采用XML配置也是最常见的。以下是一个简单的XML配置文件： <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.or
HDU 4342 History repeat itself 模拟 aijuans 模拟
来源：http://acm.hdu.edu.cn/showproblem.php?pid=4342 题意：首先让求第几个非平方数，然后求从1到该数之间的每个sqrt(i)的下取整的和。思路：一个简单的模拟题目，但是由于数据范围大，需要用__int64。我们可以首先把平方数筛选出来，假如让求第n个非平方数的话，看n前面有多少个平方数，假设有x个，则第n个非平方数就是n+x。注意两种特殊情况，即
java中最常用jar包的用途 asia007 java
java中最常用jar包的用途 jar包用途axis.jarSOAP引擎包commons-discovery-0.2.jar用来发现、查找和实现可插入式接口，提供一些一般类实例化、单件的生命周期管理的常用方法.jaxrpc.jarAxis运行所需要的组件包saaj.jar创建到端点的点到点连接的方法、创建并处理SOAP消息和附件的方法，以及接收和处理SOAP错误的方法. w
ajax获取Struts框架中的json编码异常和Struts中的主控制器异常的解决办法百合不是茶 js json编码返回异常
一:ajax获取自定义Struts框架中的json编码出现以下问题: 1,强制flush输出 json编码打印在首页 2, 不强制flush js会解析json 打印出来的是错误的jsp页面却没有跳转到错误页面 3, ajax中的dataType的json 改为text 会
JUnit使用的设计模式 bijian1013 java 设计模式 JUnit
JUnit源代码涉及使用了大量设计模式 1、模板方法模式（Template Method）定义一个操作中的算法骨架，而将一些步骤延伸到子类中去，使得子类可以不改变一个算法的结构，即可重新定义该算法的某些特定步骤。这里需要复用的是算法的结构，也就是步骤，而步骤的实现可以在子类中完成。
Linux常用命令（摘录） sunjing crond chkconfig
chkconfig --list 查看linux所有服务 chkconfig --add servicename 添加linux服务 netstat -apn | grep 8080 查看端口占用 env 查看所有环境变量 echo $JAVA_HOME 查看JAVA_HOME环境变量安装编译器 yum install -y gcc
【Hadoop一】Hadoop伪集群环境搭建 bit1129 hadoop
结合网上多份文档，不断反复的修正hadoop启动和运行过程中出现的问题，终于把Hadoop2.5.2伪分布式安装起来，跑通了wordcount例子。Hadoop的安装复杂性的体现之一是，Hadoop的安装文档非常多，但是能一个文档走下来的少之又少，尤其是Hadoop不同版本的配置差异非常的大。Hadoop2.5.2于前两天发布，但是它的配置跟2.5.0，2.5.1没有分别。 &nb
Anychart图表系列五之事件监听白糖_ chart
创建图表事件监听非常简单：首先是通过addEventListener('监听类型',js监听方法)添加事件监听，然后在js监听方法中定义具体监听逻辑。以钻取操作为例，当用户点击图表某一个point的时候弹出point的name和value，代码如下： <script> //创建AnyChart var chart = new AnyChart(); //添加钻取操作&quo
Web前端相关段子 braveCS web前端
Web标准：结构、样式和行为分离使用语义化标签 0）标签的语义：使用有良好语义的标签，能够很好地实现自我解释，方便搜索引擎理解网页结构，抓取重要内容。去样式后也会根据浏览器的默认样式很好的组织网页内容，具有很好的可读性，从而实现对特殊终端的兼容。 1）div和span是没有语义的：只是分别用作块级元素和行内元素的区域分隔符。当页面内标签无法满足设计需求时，才会适当添加div
编程之美-24点游戏 bylijinnan 编程之美
import java.util.ArrayList; import java.util.Arrays; import java.util.HashSet; import java.util.List; import java.util.Random; import java.util.Set; public class PointGame { /**编程之美
主页面子页面传值总结 chengxuyuancsdn 总结
1、showModalDialog returnValue是javascript中html的window对象的属性,目的是返回窗口值,当用window.showModalDialog函数打开一个IE的模式窗口时,用于返回窗口的值主界面 var sonValue=window.showModalDialog("son.jsp"); 子界面 window.retu
[网络与经济]互联网+的含义 comsci 互联网+
互联网+后面是一个人的名字 = 网络控制系统互联网+你的名字 = 网络个人数据库每日提示:如果人觉得不舒服,千万不要外出到处走动,就呆在床上,玩玩手游,更不能够去开车,现在交通状况不
oracle 创建视图 with check option daizj 视图 view oralce
我们来看下面的例子： create or replace view testview as select empno,ename from emp where ename like ‘M%’ with check option; 这里我们创建了一个视图，并使用了with check option来限制了视图。然后我们来看一下视图包含的结果： select * from testv
ToastPlugin插件在cordova3.3下使用 dibov Cordova
自己开发的Todos应用，想实现“ 再按一次返回键退出程序 ”的功能，采用网上的ToastPlugins插件，发现代码或文章基本都是老版本，运行问题比较多。折腾了好久才弄好。下面吧基于cordova3.3下的ToastPlugins相关代码共享。 ToastPlugin.java package&nbs
C语言22个系统函数 dcj3sjt126com c function
C语言系统函数一、数学函数下列函数存放在math.h头文件中Double floor(double num) 求出不大于num的最大数。Double fmod(x, y) 求整数x/y的余数。Double frexp(num, exp); double num; int *exp; 将num分为数字部分（尾数）x和以2位的指数部分n，即num=x*2n，指数n存放在exp指向的变量中，返回x。D
开发一个类的流程 dcj3sjt126com 开发
本人近日根据自己的开发经验总结了一个类的开发流程。这个流程适用于单独开发的构件，并不适用于对一个项目中的系统对象开发。开发出的类可以存入私人类库，供以后复用。以下是开发流程： 1. 明确类的功能，抽象出类的大概结构 2. 初步设想类的接口 3. 类名设计（驼峰式命名） 4. 属性设置(权限设置) 判断某些变量是否有必要作为成员属
java 并发 shuizhaosi888 java 并发
能够写出高伸缩性的并发是一门艺术在JAVA SE5中新增了3个包 java.util.concurrent java.util.concurrent.atomic java.util.concurrent.locks 在java的内存模型中，类的实例字段、静态字段和构成数组的对象元素都会被多个线程所共享，局部变量与方法参数都是线程私有的，不会被共享。
Spring Security（11）——匿名认证 234390216 Spring Security ROLE_ANNOYMOUS 匿名
匿名认证目录 1.1 配置 1.2 AuthenticationTrustResolver 对于匿名访问的用户，Spring Security支持为其建立一个匿名的AnonymousAuthenticat
NODEJS项目实践0.2[ express,ajax通信...] 逐行分析JS源代码 Ajax nodejs express
一、前言通过上节学习，我们已经 ubuntu系统搭建了一个可以访问的nodejs系统，并做了nginx转发。本节原要做web端服务及 mongodb的存取，但写着写着，web端就
在Struts2 的Action中怎样获取表单提交上来的多个checkbox的值 lhbthanks java html struts checkbox
第一种方法：获取结果String类型在 Action 中获得的是一个 String 型数据，每一个被选中的 checkbox 的 value 被拼接在一起，每个值之间以逗号隔开(,)。所以在 Action 中定义一个跟 checkbox 的 name 同名的属性来接收这些被选中的 checkbox 的 value 即可。以下是实现的代码：前台 HTML 代码：
003.Kafka基本概念 nweiren hadoop kafka
Kafka基本概念：Topic、Partition、Message、Producer、Broker、Consumer。 Topic：消息源（Message）的分类。 Partition： Topic物理上的分组，一
Linux环境下安装JDK roadrunners jdk linux
1、准备工作创建JDK的安装目录： mkdir -p /usr/java/ 下载JDK，找到适合自己系统的JDK版本进行下载： http://www.oracle.com/technetwork/java/javase/downloads/index.html 把JDK安装包下载到/usr/java/目录，然后进行解压： tar -zxvf jre-7
Linux忘记root密码的解决思路 tomcat_oracle linux
1：使用同版本的linux启动系统，chroot到忘记密码的根分区passwd改密码　　2：grub启动菜单中加入init=/bin/bash进入系统，不过这时挂载的是只读分区。根据系统的分区情况进一步判断. 　　3: grub启动菜单中加入 single以单用户进入系统. 　　4:用以上方法mount到根分区把/etc/passwd中的root密码去除　　例如: 　　ro
跨浏览器 HTML5 postMessage 方法以及 message 事件模拟实现 xueyou jsonp jquery 框架 UI html5
postMessage 是 HTML5 新方法，它可以实现跨域窗口之间通讯。到目前为止，只有 IE8+, Firefox 3, Opera 9, Chrome 3和 Safari 4 支持，而本篇文章主要讲述 postMessage 方法与 message 事件跨浏览器实现。postMessage 方法 JSONP 技术不一样，前者是前端擅长跨域文档数据即时通讯，后者擅长针对跨域服务端数据通讯，p