粗读论文：An Efficient and Accurate Algorithm for the Perspecitve-n-PointProblem

序：我是一个普通的战五渣级别大四工科生，这篇文章的阅读源于我做的毕业设计，因为在阅读过程中感到非常困难的同时CSDN上面还没有什么好的帮助文献。以至于令我这个面向CSDN&&博客园的选手觉得心凉且愤恨，所以我决定把我做的笔记都记录下来，以便后来人学习。

但是我的实力低下，阅读仅限于翻译部分重点内容，将背景知识稍作补充以及解读部分细节。如果有什么批评指正可以私信我。

1.Abstract：

在本文中，我们解决了N个2D/3D点对应的位姿估计问题，称为(PnP)问题。我们提出了一个精确而同时有效的解决PnP问题的方法。以前的PnP算法通常涉及两组未知数，包括每个像素的深度和相机的姿态。我们的公式不涉及每个像素的深度。通过引入一些中间变量，这个公式得到了一个四次多项式代价函数，它有三个未知量，只涉及旋转。

我们提出了一种基于线性系统零空间分析的方法，为牛顿迭代提供了一个鲁棒的初始估计。实验结果表明，我们的算法在准确率方面可以与最先进的算法相媲美，速度也是最快的算法之一。

2.Introduction：

PnP问题是从图像平面上N个3D点及其对应的2D像素点计算出摄像机相对于世界框架的姿态，是计算视觉和机器人技术中的一个重要问题。它有许多应用，如结构从运动(SfM)，同时定位与映射(SLAM)，增强现实(AR)和视觉重新定位。

tip:我在另外一篇论文找到了PNP问题的分类：

3.NOTATION AND PROBLEM DEFINITION：

我们处理PNP问题的关键是解出旋转矩阵R以及平移向量t。

tip1:关于PNP问题的详细分析，可以看看这位博主的文章：

http://t.csdn.cn/Iz9hr

tip2:旋转矩阵R的性质补充：

旋转矩阵就是正交矩阵。

正交矩阵的逆等于正交矩阵的转置。

正交矩阵的行列式的值肯定为正负1的。

更多旋转矩阵的详情看看这个文章吧： http://t.csdn.cn/nqqnM

通过CGR参数化可以得到以下的公式：（这个操作是个啥我也不懂）

 4.算法细节：

 4.1由针孔相机模型得到的公式：

归一化的像素坐标：

 有：

 4.2我的手写草稿

 

 

 5.算法总结：

我们先计算K在(13)中的值。然后我们计算奇异值分解(K)以得到正确的奇异向量。接下来我们解决这4种情况，以得到一个初始估计，后通过使用阻尼牛顿法最小化(14)来细化。最后，利用(12)和式(7)得到t。

（附上原文已经很清楚了）

 结尾：由于我只需要这些算法细节，所以后面的一大堆效率分析我就没看了，看官们见谅。

文章的引用已经在文中附上链接了，债见。