1. PnP

PnP（Perspective-n-Point）是求解 3D 到 2D 点对运动的方法
它描述了当知道 n 个 3D 空间点以及它们的投影位置时，如何估计相机所在的位姿

在视觉SLAM笔记（32） 2D-2D: 对极几何中 2D-2D的对极几何方法
需要八个或八个以上的点对（以八点法为例）
且存在着初始化、纯旋转和尺度的问题

然而，如果两张图像中，其中一张特征点的 3D 位置已知
那么最少只需三个点对（需要至少一个额外点验证结果）就可以估计相机运动
特征点的 3D 位置可以由三角化，或者由 RGB-D 相机的深度图确定

因此，在双目或 RGB-D 的视觉里程计中，可以直接使用 PnP 估计相机运动
而在单目视觉里程计中，必须先进行初始化，然后才能使用 PnP

3D-2D 方法不需要使用对极约束，又可以在很少的匹配点中获得较好的运动估计
是最重要的一种姿态估计方法
PnP 问题有很多种求解方法，例如：

视觉SLAM笔记（36） 3D-2D: PnP相关推荐

视觉SLAM笔记（37）求解 PnP
视觉SLAM笔记(37) 求解 PnP 1. 使用 EPnP 求解位姿 2. 使用 BA 优化 2.1 李代数位姿 2.2 空间点位置 2.3 投影方程边 2.4 Bundle Adjustment ...
视觉SLAM笔记（47）优化 PnP 的结果
视觉SLAM笔记(47) 优化 PnP 的结果 1. 迭代优化 2. 优化边 3. 姿态估计 4. 结果对比 1. 迭代优化尝试 RANSAC PnP 加上迭代优化的方式估计相机位姿看看是否对视 ...
视觉SLAM笔记（52） BA 与图优化
视觉SLAM笔记(52) BA 与图优化 1. Bundle Adjustment 2. 投影模型和 BA 代价函数 3. BA 的求解 4. 稀疏性和边缘化 5. 鲁棒核函数 1. Bundle A ...
视觉SLAM笔记（65）简约总结
视觉SLAM笔记(65) 简约总结参考: <视觉SLAM十四讲> 视觉SLAM笔记(3) 视觉SLAM框架视觉SLAM笔记(20) 单目相机模型视觉SLAM笔记(32) 2D-2D: ...
视觉SLAM笔记（38） 3D-3D: ICP
视觉SLAM笔记(38) 3D-3D: ICP 1. 3D-3D 的位姿估计问题 2. SVD 方法 3. 非线性优化方法 1. 3D-3D 的位姿估计问题假设有一组配对好的 3D 点比如对两个 ...
视觉SLAM笔记（48）局部地图
视觉SLAM笔记(48) 局部地图 1. 迭代优化的问题 2. 特征点引入地图 2. 地图 3. 地图点类 3. 视觉里程类 3.1. 关键帧 3.2. 优化地图 3.3. 特征匹配 4. 结果对比 ...
视觉SLAM笔记（39）求解 ICP
视觉SLAM笔记(39) 求解 ICP 1. SVD 方法 2. 非线性优化方法 1. SVD 方法使用 SVD 以及非线性优化来求解 ICP 使用两个 RGB-D 图像,通过特征匹配获取两组 3D ...
视觉SLAM笔记（13）空间变换
视觉SLAM笔记(13) 空间变换 1. 3D空间变换 2. 相似变换 3. 仿射变换 4. 射影变换 1. 3D空间变换 3D 空间中的变换,除了欧氏变换之外,还存在其余几种,其中欧氏变换是最简 ...
视觉SLAM笔记（63） RGB-D 稠密建图
视觉SLAM笔记(63) RGB-D 稠密建图 1. 建立点云地图 2. 点云地图 3. 其他重建方法 1. 建立点云地图所谓点云,就是由一组离散的点表示的地图最基本的点包含 x, y, z 三维 ...

视觉SLAM笔记（36） 3D-2D: PnP

视觉SLAM笔记（36） 3D-2D: PnP

1. PnP

视觉SLAM笔记（36） 3D-2D: PnP相关推荐

最新文章

热门文章