多視角演算法

『壹』 CAD一幅圖內如何設置多視角

1.進入一個布局，然後需要幾個視角的圖就建幾個視口，布置好位置;

2.然後分別進入視口再利用視圖工具條轉到相應的視圖方向，這時候它會自動讓圖形在窗口最大化，這樣比例就變了，所以利用Z命令統一設置比例（輸入Z，然後1XP，1就代表縮放1倍，如果是2XP就代表放大2倍，0.5XP就代表縮小2倍），好了分別按這個方法調整好不同的視圖角度，就好了

給你上個圖

『貳』 VR中的光學定位及姿態捕捉技術難點在哪

VR定位動捕技術難點在哪看4大因素要考慮
最近有文章解析了因為追星儀和陀螺儀的出錯，加上科學家寫反噴氣代碼導致了造成了價值19億的一台名為逗瞳地的X射線太空望遠鏡被玩壞了。實際上，追星儀和陀螺儀實現的類似於VR中的光學定位及姿態捕捉。一直以來，大家都在說VR定位動捕技術難，那到底難在哪裡呢看作者系VR行業從業者，本文將會探討下這個問題。
我相信，逗瞳地真實的毀滅原因一定比文章中描述的要復雜很多，我寫這篇文章也不是為了跟大家探討逗瞳地，而是想跟大家聊一下由此事件引發的一些思考。
| 逗瞳地和VR中的光學定位及姿態捕捉
瞳的追星儀，在文章中是這樣描述的逗追星儀是衛星上一個判斷自己方位的儀器……總的來說就是一個小相機，通過跟蹤拍攝背景里一些亮的星星的位置… 用來判斷自己所指向的方位……地。
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
追星儀的定位技術大概是目標物體（即瞳本身）拍攝背景中的星星，根據得到的圖像及所識別出的星星的位置來獲取自身的方位信息。而瞳的陀螺儀則用來偵測瞳自身的空間姿態。所以，追星儀和陀螺儀實際上實現的類似於VR中的光學定位及姿態捕捉。
（1） 光學定位技術
VR中的光學定位技術是利用攝像機拍攝目標物體，根據得到的目標圖像及攝像機自身的位置信息推算出目標物體的位置及姿態等信息。根據標記點發光技術不同，光學定位技術還分為主動式和被動式兩種。
具體實現流程：定位物體上布滿標記點，標記點可以自主發射光信號或者反射定位系統發射來的點信號，使得攝像頭拍攝的圖像中標記點與周圍環境可以明顯區分。攝像機捕捉到目標物上標記點後，將多台攝像機從不同角度採集到的圖像傳輸到計算機中，再通過視覺演算法過濾掉無用的信息，從而獲得標記點的位置。該定位法需要多個 CCD 對目標進行跟蹤定位，需要至少兩幅以上的具有相同標記點的圖像進行亞像素提取、匹配操作計算出目標物的空間位置。實現流程圖如下：
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
光學定位技術實現流程
目前，光學定位技術在國際上最受認可的是Optitrack。OptiTrack定位方案適用於游戲與動畫製作，運動跟蹤，力學分析，以及投影映射等多種應用方向，在VR行業有著非常大的影響力。
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
（2）慣性動作捕捉
陀螺儀的工作原理是通過測量三維坐標系內陀螺轉子的垂直軸與固定方向之間的夾角，並計算角速度，通過夾角和角速度來判別物體在三維空間的運動狀態。
它的強項在於測量設備自身的旋轉運動。陀螺儀用於姿態捕捉，集成了加速度計和磁力計後，共同應用在慣性動作捕捉系統。
慣性動作捕捉系統需要在運動物體的重要節點佩戴集成加速度計，陀螺儀和磁力計等慣性感測器設備，感測器設備捕捉目標物體的運動數據，包括身體部位的姿態、方位等信息，再將這些數據通過數據傳輸設備傳輸到數據處理設備中，經過數據修正、處理後，最終建立起三維模型，並使得三維模型隨著運動物體真正、自然地運動起來。
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
| VR定位動捕技術到底難在哪裡看
前文提到，逗瞳地最終沒有避免毀滅的命運，當然我們得說這次毀滅有一些人為的可避免的錯誤造成，但無法否認的事實是它耗費了人類價值19億的資源。這也從側面證實了定位及動捕技術難度之高。
當然，應用於VR行業中時，對於精度等的要求不會有逗瞳地那麼高，但為了能給使用者帶來超強沉浸感體驗，定位及動捕的精度、延遲、刷新率等也一定要達到非常高的水平。很多人知道2016年被稱為VR的元年，但是又有多少人知道VR自1963年被提出至今耗費了多少科學家、工程師的心血看
讀者可能會有疑問，大家一直在說VR定位動捕技術難，那到底難在哪裡呢看接下來筆者就來談談VR定位動捕技術的難點。
（1）人體運動復雜性
由於在現實世界裡面，逗場景地是相對靜止的，我們之所以看到眼前的東西在動，是因為我們頭部、眼部、身體等在移動，使得眼前的逗場景地形成了一個動畫。而虛擬現實就是要模擬出現實世界的這種逗動畫地，也就是說在虛擬現實的設備中，畫面要根據人的這些動作做出相應的調整才可以，而這些動作看似使用定位、陀螺儀等設備就可以解決，但其實則不然。人體的動作可以看作是復雜且有一定規律的一系列動作組合而成，為了完成一個動作，每一個完整的動都可以分解為各個肢體的動作，各個肢體之間的動作既相互獨立又相互限制。人體的各種動作是有多個自由度組成，其復雜性使得計算機追蹤時存在著很多的困難和挑戰。
這里給大家舉個例子：
在一些大家很喜歡的搏鬥或者射擊游戲中，我們經常需要作出身體快速移動，頭部快速轉動，以及高速的轉身、下蹲等動作，一方面這些動作會帶來我們實現的變化，眼前所看到的畫面也會跟隨變化，且虛實情況也有區別；
另一方面，這些動作也必須會帶來虛擬世界中的一些反饋，例如瞄準僵屍打出一顆子彈，則虛擬世界中的僵屍將受傷或者倒下。想要讓使用者有真實的體驗，那麼追蹤技術就必須可以已非常高的精度實現定位及動捕，否則就不能算是真正的虛擬現實了。
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
（2）精度問題
定位及動作捕捉精度，對於VR設備非常的重要。如果定位及動作捕捉精度不夠高，會嚴重影響VR體驗效果，也失去了虛擬現實的本質。影響精度問題的因素包括遮擋、干擾以及演算法自身的限制等。
遮擋是各種定位及動捕系統最常見的工作失效原因之一。
例如光學定位系統中：當掃描光線被用戶或物體遮擋時，空間點三維重構由於缺少必要的二維圖像中的特徵點間對應信息，容易導致定位跟蹤失敗。遮擋問題可以通過多視角光學系統來減輕，但這又造成了該系統又一大缺陷——價格過於昂貴。以Optitrack為例，Optitrack是國際上非常受認可的光學定位技術，如果有足夠的攝像機，Optitrack定位及動捕技術可以很好地解決遮擋問題，具有非常高的精度。但是Optitrack攝像機的價格卻讓多添加幾個攝像機變得不那麼容易。
干擾包括外界電磁波干擾和自身設備間相互干擾。不管是光學定位還是激光定位，對外界的電磁波干擾都非常敏感，特別是當設備使用無線的方式通信時，如果存在同波段的電磁干擾，就會造成卡頓、失靈等現象，嚴重影響體驗效果。
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
還有一個因素是演算法本身的限制，例如慣性式動作捕捉技術。
慣性式動作捕捉系統採用MEMS三軸陀螺儀、三軸加速度計和三軸磁力計組成的慣性測量單元（IMU， Inertial Measurement Unit）來測量感測器的運動參數。而由IMU所測得的感測器運動參數有嚴重雜訊干擾，MEMS 器件又存在明顯的零偏和漂移， 使得慣性式動作捕捉系統無法長時間地對人體姿態進行精確的跟蹤。
目前對於這個問題，G-Wearables的解決方案或許可以參考，其利用激光定位、反向動力學、慣性式動作捕捉相融合的演算法來解決，從CES Asia展會上發布的STEPVR大盒子的體驗來看，融合演算法確實較好地解決了慣性式動捕的零偏和漂移問題，實現了1:1精準的動作還原。當然，這款產品的其他方面還需要消費者們自行去體驗，與本文主題無關就不再贅述。
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
（3）快速運動時的定位及動捕問題
快速運動時的定位及動捕一直是VR行業一大難題，甚至現在很多公司都放棄了快速運動時的定位及動捕，通過VR內容控制用戶不要有快速的動作來避免這一問題，但這終究無法從根源上解決問題。
那為什麼說，快速運動時的定位及動捕難呢看
對於光學定位來說，難點在於運動模糊。
如果目標物體移動過於快速，則會出現運動模糊，即由於攝像設備和目標在曝光瞬間存在相對運動而形成的一種現象。這種現象很常見，我們平時用手機拍攝人物時，如果人物快速移動（例如奔跑、迅速起身等），則我們拍攝的圖片即是模糊的，在VR的光學定位中是一樣的。
光學定位系統利用多台攝像頭拍攝目標物體，再利用所獲得的圖像信息及攝像頭的位置信息來最終推算目標的空間位置，並基於這樣的空間位置通過IK演算法或者慣性感測器等來推算目標物體的動作。那麼如果目標物體處於快速運動中，則攝像頭拍攝的圖像就存在模糊，信息不可用，也就無法實現精準的定位。因此基於光學定位的VR系統，在目標物體快速移動時會出現卡頓、跳點等現象。
為什麼總說VR定位動捕技術難，它究竟難在哪裡看
對於激光定位技術來說，難點在於兩束激光掃描存在時間間隔。
激光定位技術需要水平、垂直兩個方向上的激光扇面對整個定位空間進行掃描，目標物體綁定的感測器必須接收到水平、垂直兩個方向上的激光後方可進行定位，缺一不可。然而，這兩個方向上的激光扇面是先後掃描，也就是存在時間差，如果目標物體迅速移動，則會出現水平和垂直兩個方向上激光掃描到感測器時感測器所在的位置不一樣，也就無法定位準確，進而影響動作捕捉。

『叄』 opencv的相機控制項主要有哪兩個

咨詢記錄 · 回答於2021-10-28

『肆』 數據分析有什麼思路

常見的分析方法有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

『伍』 視角怎麼計算

人眼到視平面的距離視固定的（視距），視平面左右兩個邊緣到人眼的連線得到的角度是視角。 一般我們設置視角來計算視距。 為了方便，我們一般取人眼位置為 z 軸原點，這樣，物體距離眼睛的距離（物距）還有物體在視平面上投影的長度（像長）以及 物體的實際長度（物長）的關系就是這樣： 像長：像距 ＝ 物長：物距 即 像長 ＝ 物長 * 像距 / 物距 (1) 假設我們的視角寬度用x方向（一般哺乳類都是如此，因為兩眼是x方向排列的），那麼有這樣的關系： (視平面寬度/2) /像距 ＝ tan(視角/2) 於是： 像距 ＝ (2/視平面寬度) * tan(視角/2) (2) (2) 帶入 (1) 就可以得到： 像長 ＝ 物長 * (2/視平面寬度) * tan(視角/2) / 物距 這樣我們就可以知道，當視角已知的時候，一個高為 h 的物體在視平面上的投影是多高了。
這是正投影的做法，但是實際上人類的眼睛看到的世界不是這樣的。把視平面當成是一個球面，每一點的計算公式仍然和上面的一樣，這樣計算出來的結果才能更准確地反映寬視角地情形，一般人類地視角是120度的，但是用正投影的話，視角一般只能設置到75度左右。
這就是為什麼我們玩 CS 的時候總是覺得視角有點窄，看不到旁邊的人的緣故緣故。 沒有餘光對人類來說是很不方便的。 在手機游戲裡面廣泛使用的視線跟蹤演算法，用的就是第二種演算法。
遠的東西看起來小是因為物距比較大，像比較小，視角是視力范圍的衡量標准。

『陸』 由同一物體不同角度的圖片經過復雜的演算法就可以得到他的3d立體模型，這個演算法具體是怎樣處理數據的

3D晶元的處理對象是多邊形表示的物體。用多邊形表示物體有兩個優點：首先是直接（盡管繁瑣），
多邊形表示的物體其表面的分段線性特徵除輪廓外可以通過明暗處理(shading)技術消除；其次是僅存儲多邊形頂點的幾何信息，
多邊形內部每個象素的明暗顏色計算所需的信息由這些頂點信息插值而來，這正是易於用圖形硬體支持的快速明暗處理技術。
支持多邊形繪制的圖形硬體同樣也可以繪制由雙三次曲面片表示的物體，通過對這種物體的表面進行三角剖分，
用逼近的三角形網格代替原物體的曲面表示就可以做到這一點。
當然，用多邊形表示物體也有其缺點，如增加了紋理映射和陰影生成的難度，當需要詳細表示復雜物體時所需的三角形數量將變得非常龐大。

將多邊形表示的物體顯示到計算機屏幕上，這一過程涉及物體在計算機內部的表示方式即物體的數據結構，
由物體組成的場景的組織結構，物體從場景到屏幕空間要經過的一系列變換，以及產生最終屏幕圖象要經過的一系列光柵化處理。
這些方面都涉及到特定的處理演算法,相應的演算法又有許多不同的變種。
下面僅就3D晶元涉及的圖形處理過程及相關演算法做一簡單分析介紹，這些是理解3D圖形處理及圖形硬體的基礎。

『柒』 超啟發式演算法的超啟發式演算法vs.啟發式演算法

（1）超啟發式演算法與啟發式演算法均是為了求解問題實例而提出的。因此，問題實例可以視為超啟發式演算法和啟發式演算法兩者共同的處理對象。
（2）超啟發式演算法與啟發式演算法都可能包含有參數。在傳統的啟發式演算法中，可能有大量的參數需要調制。比如遺傳演算法中的種群規模、交叉率、變異率、迭代次數等。而超啟發式演算法的參數來源有兩個層面，在LLH和高層啟發式方法中均可能有參數需要調制。
（3）超啟發式演算法與啟發式演算法都是運行在搜索空間上，但是各自的搜索空間構成不同：傳統啟發式演算法是工作在由問題實例的解構成的搜索空間上；而超啟發式演算法運行在一個由啟發式演算法構成的搜索空間上，該搜索空間上的每一個頂點代表一系列LLH的組合。因此，超啟發式演算法的抽象程度高於傳統啟發式演算法。
（4）超啟發式演算法與啟發式演算法均可以應用到各種不同的領域，但是它們各自對於問題領域知識的需求是不同的。啟發式演算法設計通常需要依賴於問題的特徵；而超啟發式演算法的高層啟發式方法部分則幾乎不依賴於問題的領域知識，LLH則是與問題的領域知識緊密相關的。目前啟發式演算法的應用已經十分廣泛，而超啟發式演算法由於歷史較短，還主要局限在部分常見的組合優化問題上。
超啟發式演算法與啟發式演算法多視角對比 啟發式演算法 超啟發式演算法 處理對象 問題實例 問題實例 參數 可能有 可能有 搜索空間 由實例的解構成 由LLH串（啟發式演算法）構成 應用領域 廣泛 有待拓展

『捌』 什麼是多視角、或單 視角DVD

這個指的是DVD碟片製作的時候,對同一個內容,即在同一個場景在同一個時間,製作了不同的畫面內容,一般指一個場地不同角度攝下的畫面內容。

那麼怎麼解決,同一時間放兩個不同角度的內容呢?

製作DVD時,在一個時間間隔,實際有多段不同角度的內容放在碟片內,默認其中一段內容為順序播放的。
那其它角度的內容怎麼播放呢?

這得依賴DVD播放機了,比如我家的PIONEER(先鋒)DVD,遙控器上有一個鍵叫「ANGLE」對應一個攝像機的符號。

這個就是讓你選擇播放其它角度的視頻的。當然一般DVD內容並沒有搞多角度的視頻內容,因此大部分DVD碟片是「單視角」的。「單視角」的意思,可能還只那些功能單一的DVD播放機,沒有選擇多角度視頻這個功能。

玩DVD這么多年,第一次回答這個問題,覺得有點意思,不知道有沒有講清楚?

不過這個的確好玩,那些歐美大片後期製作DVD或藍光碟時,有時會搞這個互動的東西,比在電影院看還過癮。

『玖』 想問單目多視角重建與雙目多視角重建區別是啥，sfm是屬於這兩者哪一個的方法

可以把「目」理解為眼睛
單目就是通過一張圖片重建
雙目就是通過兩張圖片重建
多視角指的是MVS，通過多張圖片重建，SFM應該是多視圖的
用無人機拍一張圖，就是單目
拍了兩個圖，就是雙目
拍了好多張，就是多視圖重建