多视角算法

‘壹’ CAD一幅图内如何设置多视角

1.进入一个布局，然后需要几个视角的图就建几个视口，布置好位置;

2.然后分别进入视口再利用视图工具条转到相应的视图方向，这时候它会自动让图形在窗口最大化，这样比例就变了，所以利用Z命令统一设置比例（输入Z，然后1XP，1就代表缩放1倍，如果是2XP就代表放大2倍，0.5XP就代表缩小2倍），好了分别按这个方法调整好不同的视图角度，就好了

给你上个图

‘贰’ VR中的光学定位及姿态捕捉技术难点在哪

VR定位动捕技术难点在哪看4大因素要考虑
最近有文章解析了因为追星仪和陀螺仪的出错，加上科学家写反喷气代码导致了造成了价值19亿的一台名为逗瞳地的X射线太空望远镜被玩坏了。实际上，追星仪和陀螺仪实现的类似于VR中的光学定位及姿态捕捉。一直以来，大家都在说VR定位动捕技术难，那到底难在哪里呢看作者系VR行业从业者，本文将会探讨下这个问题。
我相信，逗瞳地真实的毁灭原因一定比文章中描述的要复杂很多，我写这篇文章也不是为了跟大家探讨逗瞳地，而是想跟大家聊一下由此事件引发的一些思考。
| 逗瞳地和VR中的光学定位及姿态捕捉
瞳的追星仪，在文章中是这样描述的逗追星仪是卫星上一个判断自己方位的仪器……总的来说就是一个小相机，通过跟踪拍摄背景里一些亮的星星的位置… 用来判断自己所指向的方位……地。
为什么总说VR定位动捕技术难，它究竟难在哪里看
追星仪的定位技术大概是目标物体（即瞳本身）拍摄背景中的星星，根据得到的图像及所识别出的星星的位置来获取自身的方位信息。而瞳的陀螺仪则用来侦测瞳自身的空间姿态。所以，追星仪和陀螺仪实际上实现的类似于VR中的光学定位及姿态捕捉。
（1） 光学定位技术
VR中的光学定位技术是利用摄像机拍摄目标物体，根据得到的目标图像及摄像机自身的位置信息推算出目标物体的位置及姿态等信息。根据标记点发光技术不同，光学定位技术还分为主动式和被动式两种。
具体实现流程：定位物体上布满标记点，标记点可以自主发射光信号或者反射定位系统发射来的点信号，使得摄像头拍摄的图像中标记点与周围环境可以明显区分。摄像机捕捉到目标物上标记点后，将多台摄像机从不同角度采集到的图像传输到计算机中，再通过视觉算法过滤掉无用的信息，从而获得标记点的位置。该定位法需要多个 CCD 对目标进行跟踪定位，需要至少两幅以上的具有相同标记点的图像进行亚像素提取、匹配操作计算出目标物的空间位置。实现流程图如下：
为什么总说VR定位动捕技术难，它究竟难在哪里看
光学定位技术实现流程
目前，光学定位技术在国际上最受认可的是Optitrack。OptiTrack定位方案适用于游戏与动画制作，运动跟踪，力学分析，以及投影映射等多种应用方向，在VR行业有着非常大的影响力。
为什么总说VR定位动捕技术难，它究竟难在哪里看
（2）惯性动作捕捉
陀螺仪的工作原理是通过测量三维坐标系内陀螺转子的垂直轴与固定方向之间的夹角，并计算角速度，通过夹角和角速度来判别物体在三维空间的运动状态。
它的强项在于测量设备自身的旋转运动。陀螺仪用于姿态捕捉，集成了加速度计和磁力计后，共同应用在惯性动作捕捉系统。
惯性动作捕捉系统需要在运动物体的重要节点佩戴集成加速度计，陀螺仪和磁力计等惯性传感器设备，传感器设备捕捉目标物体的运动数据，包括身体部位的姿态、方位等信息，再将这些数据通过数据传输设备传输到数据处理设备中，经过数据修正、处理后，最终建立起三维模型，并使得三维模型随着运动物体真正、自然地运动起来。
为什么总说VR定位动捕技术难，它究竟难在哪里看
| VR定位动捕技术到底难在哪里看
前文提到，逗瞳地最终没有避免毁灭的命运，当然我们得说这次毁灭有一些人为的可避免的错误造成，但无法否认的事实是它耗费了人类价值19亿的资源。这也从侧面证实了定位及动捕技术难度之高。
当然，应用于VR行业中时，对于精度等的要求不会有逗瞳地那么高，但为了能给使用者带来超强沉浸感体验，定位及动捕的精度、延迟、刷新率等也一定要达到非常高的水平。很多人知道2016年被称为VR的元年，但是又有多少人知道VR自1963年被提出至今耗费了多少科学家、工程师的心血看
读者可能会有疑问，大家一直在说VR定位动捕技术难，那到底难在哪里呢看接下来笔者就来谈谈VR定位动捕技术的难点。
（1）人体运动复杂性
由于在现实世界里面，逗场景地是相对静止的，我们之所以看到眼前的东西在动，是因为我们头部、眼部、身体等在移动，使得眼前的逗场景地形成了一个动画。而虚拟现实就是要模拟出现实世界的这种逗动画地，也就是说在虚拟现实的设备中，画面要根据人的这些动作做出相应的调整才可以，而这些动作看似使用定位、陀螺仪等设备就可以解决，但其实则不然。人体的动作可以看作是复杂且有一定规律的一系列动作组合而成，为了完成一个动作，每一个完整的动都可以分解为各个肢体的动作，各个肢体之间的动作既相互独立又相互限制。人体的各种动作是有多个自由度组成，其复杂性使得计算机追踪时存在着很多的困难和挑战。
这里给大家举个例子：
在一些大家很喜欢的搏斗或者射击游戏中，我们经常需要作出身体快速移动，头部快速转动，以及高速的转身、下蹲等动作，一方面这些动作会带来我们实现的变化，眼前所看到的画面也会跟随变化，且虚实情况也有区别；
另一方面，这些动作也必须会带来虚拟世界中的一些反馈，例如瞄准僵尸打出一颗子弹，则虚拟世界中的僵尸将受伤或者倒下。想要让使用者有真实的体验，那么追踪技术就必须可以已非常高的精度实现定位及动捕，否则就不能算是真正的虚拟现实了。
为什么总说VR定位动捕技术难，它究竟难在哪里看
（2）精度问题
定位及动作捕捉精度，对于VR设备非常的重要。如果定位及动作捕捉精度不够高，会严重影响VR体验效果，也失去了虚拟现实的本质。影响精度问题的因素包括遮挡、干扰以及算法自身的限制等。
遮挡是各种定位及动捕系统最常见的工作失效原因之一。
例如光学定位系统中：当扫描光线被用户或物体遮挡时，空间点三维重构由于缺少必要的二维图像中的特征点间对应信息，容易导致定位跟踪失败。遮挡问题可以通过多视角光学系统来减轻，但这又造成了该系统又一大缺陷——价格过于昂贵。以Optitrack为例，Optitrack是国际上非常受认可的光学定位技术，如果有足够的摄像机，Optitrack定位及动捕技术可以很好地解决遮挡问题，具有非常高的精度。但是Optitrack摄像机的价格却让多添加几个摄像机变得不那么容易。
干扰包括外界电磁波干扰和自身设备间相互干扰。不管是光学定位还是激光定位，对外界的电磁波干扰都非常敏感，特别是当设备使用无线的方式通信时，如果存在同波段的电磁干扰，就会造成卡顿、失灵等现象，严重影响体验效果。
为什么总说VR定位动捕技术难，它究竟难在哪里看
还有一个因素是算法本身的限制，例如惯性式动作捕捉技术。
惯性式动作捕捉系统采用MEMS三轴陀螺仪、三轴加速度计和三轴磁力计组成的惯性测量单元（IMU， Inertial Measurement Unit）来测量传感器的运动参数。而由IMU所测得的传感器运动参数有严重噪声干扰，MEMS 器件又存在明显的零偏和漂移， 使得惯性式动作捕捉系统无法长时间地对人体姿态进行精确的跟踪。
目前对于这个问题，G-Wearables的解决方案或许可以参考，其利用激光定位、反向动力学、惯性式动作捕捉相融合的算法来解决，从CES Asia展会上发布的STEPVR大盒子的体验来看，融合算法确实较好地解决了惯性式动捕的零偏和漂移问题，实现了1:1精准的动作还原。当然，这款产品的其他方面还需要消费者们自行去体验，与本文主题无关就不再赘述。
为什么总说VR定位动捕技术难，它究竟难在哪里看
（3）快速运动时的定位及动捕问题
快速运动时的定位及动捕一直是VR行业一大难题，甚至现在很多公司都放弃了快速运动时的定位及动捕，通过VR内容控制用户不要有快速的动作来避免这一问题，但这终究无法从根源上解决问题。
那为什么说，快速运动时的定位及动捕难呢看
对于光学定位来说，难点在于运动模糊。
如果目标物体移动过于快速，则会出现运动模糊，即由于摄像设备和目标在曝光瞬间存在相对运动而形成的一种现象。这种现象很常见，我们平时用手机拍摄人物时，如果人物快速移动（例如奔跑、迅速起身等），则我们拍摄的图片即是模糊的，在VR的光学定位中是一样的。
光学定位系统利用多台摄像头拍摄目标物体，再利用所获得的图像信息及摄像头的位置信息来最终推算目标的空间位置，并基于这样的空间位置通过IK算法或者惯性传感器等来推算目标物体的动作。那么如果目标物体处于快速运动中，则摄像头拍摄的图像就存在模糊，信息不可用，也就无法实现精准的定位。因此基于光学定位的VR系统，在目标物体快速移动时会出现卡顿、跳点等现象。
为什么总说VR定位动捕技术难，它究竟难在哪里看
对于激光定位技术来说，难点在于两束激光扫描存在时间间隔。
激光定位技术需要水平、垂直两个方向上的激光扇面对整个定位空间进行扫描，目标物体绑定的传感器必须接收到水平、垂直两个方向上的激光后方可进行定位，缺一不可。然而，这两个方向上的激光扇面是先后扫描，也就是存在时间差，如果目标物体迅速移动，则会出现水平和垂直两个方向上激光扫描到传感器时传感器所在的位置不一样，也就无法定位准确，进而影响动作捕捉。

‘叁’ opencv的相机控件主要有哪两个

咨询记录 · 回答于2021-10-28

‘肆’ 数据分析有什么思路

常见的分析方法有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

‘伍’ 视角怎么计算

人眼到视平面的距离视固定的（视距），视平面左右两个边缘到人眼的连线得到的角度是视角。 一般我们设置视角来计算视距。 为了方便，我们一般取人眼位置为 z 轴原点，这样，物体距离眼睛的距离（物距）还有物体在视平面上投影的长度（像长）以及 物体的实际长度（物长）的关系就是这样： 像长：像距 ＝ 物长：物距 即 像长 ＝ 物长 * 像距 / 物距 (1) 假设我们的视角宽度用x方向（一般哺乳类都是如此，因为两眼是x方向排列的），那么有这样的关系： (视平面宽度/2) /像距 ＝ tan(视角/2) 于是： 像距 ＝ (2/视平面宽度) * tan(视角/2) (2) (2) 带入 (1) 就可以得到： 像长 ＝ 物长 * (2/视平面宽度) * tan(视角/2) / 物距 这样我们就可以知道，当视角已知的时候，一个高为 h 的物体在视平面上的投影是多高了。
这是正投影的做法，但是实际上人类的眼睛看到的世界不是这样的。把视平面当成是一个球面，每一点的计算公式仍然和上面的一样，这样计算出来的结果才能更准确地反映宽视角地情形，一般人类地视角是120度的，但是用正投影的话，视角一般只能设置到75度左右。
这就是为什么我们玩 CS 的时候总是觉得视角有点窄，看不到旁边的人的缘故缘故。 没有余光对人类来说是很不方便的。 在手机游戏里面广泛使用的视线跟踪算法，用的就是第二种算法。
远的东西看起来小是因为物距比较大，像比较小，视角是视力范围的衡量标准。

‘陆’ 由同一物体不同角度的图片经过复杂的算法就可以得到他的3d立体模型，这个算法具体是怎样处理数据的

3D芯片的处理对象是多边形表示的物体。用多边形表示物体有两个优点：首先是直接（尽管繁琐），
多边形表示的物体其表面的分段线性特征除轮廓外可以通过明暗处理(shading)技术消除；其次是仅存储多边形顶点的几何信息，
多边形内部每个象素的明暗颜色计算所需的信息由这些顶点信息插值而来，这正是易于用图形硬件支持的快速明暗处理技术。
支持多边形绘制的图形硬件同样也可以绘制由双三次曲面片表示的物体，通过对这种物体的表面进行三角剖分，
用逼近的三角形网格代替原物体的曲面表示就可以做到这一点。
当然，用多边形表示物体也有其缺点，如增加了纹理映射和阴影生成的难度，当需要详细表示复杂物体时所需的三角形数量将变得非常庞大。

将多边形表示的物体显示到计算机屏幕上，这一过程涉及物体在计算机内部的表示方式即物体的数据结构，
由物体组成的场景的组织结构，物体从场景到屏幕空间要经过的一系列变换，以及产生最终屏幕图象要经过的一系列光栅化处理。
这些方面都涉及到特定的处理算法,相应的算法又有许多不同的变种。
下面仅就3D芯片涉及的图形处理过程及相关算法做一简单分析介绍，这些是理解3D图形处理及图形硬件的基础。

‘柒’ 超启发式算法的超启发式算法vs.启发式算法

（1）超启发式算法与启发式算法均是为了求解问题实例而提出的。因此，问题实例可以视为超启发式算法和启发式算法两者共同的处理对象。
（2）超启发式算法与启发式算法都可能包含有参数。在传统的启发式算法中，可能有大量的参数需要调制。比如遗传算法中的种群规模、交叉率、变异率、迭代次数等。而超启发式算法的参数来源有两个层面，在LLH和高层启发式方法中均可能有参数需要调制。
（3）超启发式算法与启发式算法都是运行在搜索空间上，但是各自的搜索空间构成不同：传统启发式算法是工作在由问题实例的解构成的搜索空间上；而超启发式算法运行在一个由启发式算法构成的搜索空间上，该搜索空间上的每一个顶点代表一系列LLH的组合。因此，超启发式算法的抽象程度高于传统启发式算法。
（4）超启发式算法与启发式算法均可以应用到各种不同的领域，但是它们各自对于问题领域知识的需求是不同的。启发式算法设计通常需要依赖于问题的特征；而超启发式算法的高层启发式方法部分则几乎不依赖于问题的领域知识，LLH则是与问题的领域知识紧密相关的。目前启发式算法的应用已经十分广泛，而超启发式算法由于历史较短，还主要局限在部分常见的组合优化问题上。
超启发式算法与启发式算法多视角对比 启发式算法 超启发式算法 处理对象 问题实例 问题实例 参数 可能有 可能有 搜索空间 由实例的解构成 由LLH串（启发式算法）构成 应用领域 广泛 有待拓展

‘捌’ 什么是多视角、或单 视角DVD

这个指的是DVD盘片制作的时候,对同一个内容,即在同一个场景在同一个时间,制作了不同的画面内容,一般指一个场地不同角度摄下的画面内容。

那么怎么解决,同一时间放两个不同角度的内容呢?

制作DVD时,在一个时间间隔,实际有多段不同角度的内容放在盘片内,默认其中一段内容为顺序播放的。
那其它角度的内容怎么播放呢?

这得依赖DVD播放机了,比如我家的PIONEER(先锋)DVD,遥控器上有一个键叫“ANGLE”对应一个摄像机的符号。

这个就是让你选择播放其它角度的视频的。当然一般DVD内容并没有搞多角度的视频内容,因此大部分DVD盘片是“单视角”的。“单视角”的意思,可能还只那些功能单一的DVD播放机,没有选择多角度视频这个功能。

玩DVD这么多年,第一次回答这个问题,觉得有点意思,不知道有没有讲清楚?

不过这个的确好玩,那些欧美大片后期制作DVD或蓝光盘时,有时会搞这个互动的东西,比在电影院看还过瘾。

‘玖’ 想问单目多视角重建与双目多视角重建区别是啥，sfm是属于这两者哪一个的方法

可以把“目”理解为眼睛
单目就是通过一张图片重建
双目就是通过两张图片重建
多视角指的是MVS，通过多张图片重建，SFM应该是多视图的
用无人机拍一张图，就是单目
拍了两个图，就是双目
拍了好多张，就是多视图重建