视觉SLAM十四讲 ch3 Ubuntu18.04 KDevelop的使用及Eigen实践 入门笔记

  • 一、创建KDevelop项目
  • 二、编写程序

一、创建KDevelop项目

你的电脑上如果还没有安装kdevelop，请输入下列命令进行安装：

sudo apt-get install kdevelop

1.1 打开KDevelop，菜单栏Project->New From Template

1.2 选择Standard创建项目，这里以老师项目useEigen为例创建如下图


路径选择之后点击右上角的open

1.3 下一步，默认选择None，点击完成

1.4 弹出窗口自动创建build文件核默认加载环境cmake，选择ok

1.5项目创建好了，重命名main.cpp为eigenMatrix.cpp

二、编写程序

2.1 这里需要用到Eigen，你的电脑如果没有安装Eigen，请在终端输入以下命令进行安装

sudo apt-get install libeigen3-dev

查找Eigen头文件的位置语句

sudo updatedb
locate eigen3

2.2 安装好Eigen后就可以编写程序了，项目useEigen主要是两部分内容CMakeLists.txt和eigenMatrix.cpp

a.CMakeLists.txt

cmake_minimum_required(VERSION 2.6)
project(useEigen)set( CMAKE_BUILD_TYPE "Release" )
set( CMAKE_CXX_FLAGS "-O3" )# 添加Eigen头文件，路径是Eigen头文件的位置
include_directories( "/usr/include/eigen3" )# in osx and brew install
# include_directories( /usr/local/Cellar/eigen/3.3.3/include/eigen3 )add_executable( eigenMatrix eigenMatrix.cpp )

b.eigenMatrix.cpp

#include <iostream>
using namespace std;#include<ctime>//Eigen核心部分
#include<Eigen/Core>//稠密矩阵的代数运算（逆、特征值等）
#include<Eigen/Dense>
using namespace Eigen; //可以将Eigen::Matrix简写为Matrix#define MATRIX_SIZE 50//演示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，他是一个模板类。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Vector3d v_3d;//这是一样的Matrix<float, 3, 1> vd_3d;//Matrix3d实质上是Eigen::Matrix<double, 3, 3>Matrix3d matrix_33 = 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Matrix<double, Dynamic, Dynamic> matrix_dynamic;//更简单的定义矩阵方式MatrixXd matrix_x;//这种类型很多，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 2 × 3 from 1 to 6: \n" << matrix_23 << endl;//用()+for循环访问矩阵中的元素cout << "print matrix 2 × 3："<<endl;for (int i = 0; i < 2; i++){for (int j = 0; j < 3; j++) cout << matrix_23(i, j) << "\t";cout << endl;}//矩阵和向量相乘（实际上仍是矩阵与矩阵相乘）v_3d << 3, 2, 1;vd_3d << 4, 5, 6;//但是在Eigen中不能混合两种不同类型的矩阵，以下是错误举例:     //Matrix<double, 2, 1> result_wrong_type = matrix_23 * v_3d;  //matrix_23是float型，v_3d是double型//应该显示转换成double型Matrix<double, 2, 1> result1 = matrix_23.cast<double>() * v_3d;cout << "[1,2,3;4,5,6]*[3,2,1] = " << result1.transpose() << endl;Matrix<float, 2, 1> result2 = matrix_23 * vd_3d;cout << "[1,2,3;4,5,6]*[4,5,6] = " << result2.transpose() << endl;//同样，你不能搞错矩阵的维度。矩阵相称只有在第一个矩阵的列数和第二个矩阵的行数相同才有意义//取消下面注释，看报什么错//Eigen::Matrix<double, 2, 3> result_wrong_dimension = matrix_23.cast<double>() * v_3d;//一些矩阵运算，四则运算直接用+-*/即可matrix_33 = Matrix3d::Random();    //随机数矩阵cout << "random matrix: \n" << matrix_33 << endl;cout << "transpose: \n" << matrix_33.transpose() << endl;   //转置cout << "sum:" << matrix_33.sum() << endl;                  //各元素的和cout << "trace:" << matrix_33.trace() << endl;              //迹cout << "times 10: \n" << 10 * matrix_33 << endl;           //数乘cout << "inverse: \n" << matrix_33.inverse() << endl;       //逆cout << "det:" << matrix_33.determinant() << endl;          //行列式//特征值//实对称矩阵可以保证对角化成功SelfAdjointEigenSolver<Matrix3d> eigen_solver(matrix_33.transpose() * matrix_33);cout << "Eigen values = \n" << eigen_solver.eigenvalues() << endl;cout << "Eigen vectors = \n" << eigen_solver.eigenvectors() << endl;//解方程//求解matrix_NN * x = v_Nd 方程//N的大小在宏中定义，由随机数生成//直接求逆是最直接的，但是计算量大Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrix_NN = MatrixXd::Random(MATRIX_SIZE, MATRIX_SIZE);matrix_NN = matrix_NN * matrix_NN.transpose();   //矩阵乘它的转置，保持半正定Matrix<double, MATRIX_SIZE, 1> v_Nd = MatrixXd::Random(MATRIX_SIZE, 1);clock_t time_stt = clock(); // 计时//直接求逆Matrix<double, MATRIX_SIZE, 1> x = matrix_NN.inverse() * v_Nd;cout << "time of normal inverse is "<< 1000 * (clock() - time_stt) / (double) CLOCKS_PER_SEC << "ms" << endl;cout << "x = " << x.transpose() << endl;//通常使用分解求解，例如QR分解，速度会快很多time_stt = clock();x = matrix_NN.colPivHouseholderQr().solve(v_Nd);cout << "time of Qr decomposition is "<< 1000 * (clock() - time_stt) / (double) CLOCKS_PER_SEC << "ms" << endl;cout << "x = " << x.transpose() <<endl;//对于正定矩阵，还可以用cholesky分解来解方程time_stt = clock();x = matrix_NN.ldlt().solve(v_Nd);cout << "time of ldlt decomposition is"<< 1000 * (clock() - time_stt) / (double) CLOCKS_PER_SEC << "ms" <<endl;cout << "x = " << x.transpose() << endl;return 0;
}

2.3 代码写好后，首先点击Build，编译CMakeLists.txt成功后，自动生成可执行文件eigenMatrix

若未生成可执行文件，右击项目名称，reload重载

2.4 配置启动器。单击“Run”中的“Configure Launches…（启动器配置）”

进入配置页面。选中自己建立的工程之后单击Add，选下拉菜单中的工程名称，然后点击Apply以及OK。其过程如下图所示。


选择启动器。在“Run”的下拉菜单下面将鼠标移动至第一行“Current Launch Configuration”，然后在子菜单中选择与我们建立的工程名称一致的启动器useEigen:eigenMatrix。

2.5 配置完成后，点击菜单栏的编译“Build”，等100%完成后；点击执行“Execute”，最终结果如下：

/home/mao1/SLAM/Code/MyCode/ch3/useEigen/build/> /home/mao1/SLAM/Code/MyCode/ch3/useEigen/build/eigenMatrix
matrix 2 × 3 from 1 to 6:
1 2 3
4 5 6
print matrix 2 × 3：
1   2   3
4   5   6
[1,2,3;4,5,6]*[3,2,1] = 10 28
[1,2,3;4,5,6]*[4,5,6] = 32 77
random matrix: 0.680375   0.59688 -0.329554
-0.211234  0.823295  0.5364590.566198 -0.604897 -0.444451
transpose: 0.680375 -0.211234  0.5661980.59688  0.823295 -0.604897
-0.329554  0.536459 -0.444451
sum:1.61307
trace:1.05922
times 10: 6.80375   5.9688 -3.29554
-2.11234  8.23295  5.364595.66198 -6.04897 -4.44451
inverse:
-0.198521   2.22739    2.83571.00605 -0.555135  -1.41603-1.62213   3.59308   3.28973
det:0.208598
Eigen values =
0.02428990.9921541.80558
Eigen vectors =
-0.549013 -0.735943  0.3961980.253452 -0.598296 -0.760134
-0.796459  0.316906 -0.514998
time of normal inverse is 0.103ms
x = -55.7896 -298.793  130.113 -388.455 -159.312  160.654 -40.0416 -193.561  155.844  181.144  185.125 -62.7786  19.8333 -30.8772 -200.746  55.8385 -206.604  26.3559 -14.6789  122.719 -221.449   26.233  -318.95 -78.6931  50.1446  87.1986 -194.922  132.319  -171.78 -4.19736   11.876 -171.779  48.3047  84.1812 -104.958 -47.2103 -57.4502 -48.9477 -19.4237  28.9419  111.421  92.1237 -288.248 -23.3478  -275.22 -292.062  -92.698  5.96847 -93.6244  109.734
time of Qr decomposition is 0.049ms
x = -55.7896 -298.793  130.113 -388.455 -159.312  160.654 -40.0416 -193.561  155.844  181.144  185.125 -62.7786  19.8333 -30.8772 -200.746  55.8385 -206.604  26.3559 -14.6789  122.719 -221.449   26.233  -318.95 -78.6931  50.1446  87.1986 -194.922  132.319  -171.78 -4.19736   11.876 -171.779  48.3047  84.1812 -104.958 -47.2103 -57.4502 -48.9477 -19.4237  28.9419  111.421  92.1237 -288.248 -23.3478  -275.22 -292.062  -92.698  5.96847 -93.6244  109.734
time of ldlt decomposition is0.021ms
x = -55.7896 -298.793  130.113 -388.455 -159.312  160.654 -40.0416 -193.561  155.844  181.144  185.125 -62.7786  19.8333 -30.8772 -200.746  55.8385 -206.604  26.3559 -14.6789  122.719 -221.449   26.233  -318.95 -78.6931  50.1446  87.1986 -194.922  132.319  -171.78 -4.19736   11.876 -171.779  48.3047  84.1812 -104.958 -47.2103 -57.4502 -48.9477 -19.4237  28.9419  111.421  92.1237 -288.248 -23.3478  -275.22 -292.062  -92.698  5.96847 -93.6244  109.734
*** Finished ***

在终端中执行程序，首先找到编译生成的可执行文件eigenMatrix的路径

在终端输入：

./eigenMatrix

得到输出：

视觉SLAM十四讲 ch3 Ubuntu18.04 KDevelop的使用及Eigen实践 入门笔记相关推荐

  1. 视觉SLAM十四讲CH3代码解析及课后习题详解

    eigenMatrix.cpp #include <iostream>using namespace std;#include <ctime> // Eigen 核心部分 #i ...

  2. 视觉SLAM十四讲 ch3 (三维空间刚体运动)笔记

    本讲目标 ●理解三维空间的刚体运动描述方式:旋转矩阵.变换矩阵.四元数和欧拉角. ●学握Eigen库的矩阵.几何模块使用方法. 旋转矩阵.变换矩阵 向量外积 向量外积(又称叉积或向量积)是一种重要的向 ...

  3. 视觉slam十四讲 ch3 visualizeGeometry 与Pangolin报错解决

    在安装好Pangolin后, 1.对ch3中visualizeGeometry程序 make 时,出现类似如下错误: 解决:应该是引用的一些东西c++标准为c++14,而对应Cmakelist.txt ...

  4. 【《视觉SLAM十四讲》前ch2-ch6实践全过程和遇到的问题及解决办法】

    文章目录 前言 一.运行环境配置 1.在虚拟机上安装Ubuntu14.04 2.方便Ubuntu使用 二.<十四讲>的实践部分过程与问题 1.Ubuntu下安装包的两种方法 2.编译高翔的 ...

  5. 视觉SLAM十四讲学习笔记——ch11回环检测

    文章目录 11.1 理论部分 11.2 实践部分 11.2.1 创建字典 11.2.2 利用已经创建的vocabulary.yml.gz字典,得到图片与图片之间相似性的评分 11.2.3 利用规模更大 ...

  6. 视觉SLAM十四讲slambook2/ch3/examples/plotTrajectory.cpp程序报错解决

    视觉SLAM十四讲slambook2/ch3/examples/plotTrajectory.cpp程序报错解决 原程序编译后出现如下报错: /usr/local/include/pangolin/v ...

  7. 视觉SLAM十四讲CH10代码解析及课后习题详解

    g2o_viewer问题解决 在进行位姿图优化时候,如果出现g2o_viewer: command not found,说明你的g2o_viewer并没有安装上,打开你之前安装的g2o文件夹,打开bi ...

  8. 《视觉SLAM十四讲》第二版源码slambook2编译调试

    slambook2-master/ch2 编译正常,log如下: slambook2-master/ch2# mkdir build && cd build && cm ...

  9. Ubuntu20/视觉SLAM十四讲踩坑记录

    Ubuntu/视觉SLAM十四讲踩坑记录 Ubuntu(20)/视觉SLAM十四讲踩坑记录: 共性问题: 1.安装OpenCV后,例程仍无法找到OpenCV文件 ch3 visualizeGeomet ...

最新文章

  1. 图片管理之保存图片数据
  2. GRUB引导菜单加密
  3. VF01 BAPI ：BAPI_BILLINGDOC_CREATEMULTIPLE
  4. #1403 : 后缀数组一·重复旋律 (可重叠最长重复K次子串问题)
  5. ElasticSearch简介与安装
  6. Reuse library debug in Chrome - phase1 init phase
  7. java 日期 解析_Java日期解析(Java DATE Parsing)
  8. HTML5 API详解（5）:Page Visibility API帮您省流量，提高体验
  9. eclipse 报错问题：java.lang.ClassNotFoundException:
  10. 中国语言文学研究是c吗c,中国语言文学研究杂志
  11. tensorflow之get_shape
  12. 计算机界面视频录制软件,怎么进行电脑界面上的画面录制，推荐下好用的电脑录屏软件呗...
  13. java jre32下载_JRE7 32位官方下载
  14. CMPP网关协议核心代码 java版本
  15. 黑莓9930/9970/99xx一键刷机包
  16. 如何自制拼音卡片（用WORD或者EXCEL制作）
  17. WIN7 旗舰版 万能KEY
  18. linux服务器做301跳转,什么是301转向，如何去做301跳转
  19. 移动智能时代，为何还需要猎网平台？
  20. 2020 ACL《CoGAN》- Aspect Sentiment Classification with Document-level Sentiment Preference Modeling

热门文章

  1. JS三元表达式动态改变显示内容
  2. Elasticsearch原理学习--为什么Elasticsearch/Lucene检索可以比MySQL快?
  3. 关于使用datagrip连接postgresql不显示数据库问题解决
  4. 大学应届毕业生应聘java工程师怎样应对面试官的提问？
  5. 关于CPU寄存器的那些事儿（3）——通用寄存器
  6. 程序员的高薪还能持续吗？
  7. 最简单的共享列表服务器KissLists
  8. 福州大学计算机学硕分数,2021年福州大学考研录取分数线应该在哪里查询？
  9. matlab元胞自动机学风演化,土建學院研究生培养方案调研报告.docx
  10. 【GlobalMapper精品教程】034：创建漫游动画并制作漫游视频的方法