参考论文：Nakano G . Globally Optimal DLS Method for PnP Problem with Cayley parameterization[C]// British Machine Vision Conference. 2015.
摘要
这篇论文提供了一种解决PnP问题的全局优化的直接最小二乘（DLS）方法，使用了（ Cayley parameterization表示旋转矩阵）。首先，要得到一个没有拉格朗日乘子的优化条件，这个优化条件与旋转的表示方式无关。然后，我们证明了这个新的等式可以通过多种参数化方法求解，但是， Cayley 参数化是最有效的一种，根据实验结果。提出用Cayley 参数化的方法在保持精度的同时，与最新的方法相比，达到了近乎三倍的速度提升。
介绍
PnP问题就是在已知3D和2D匹配点的情况下，估计已标定相机的3D旋转和平移，PnP问题最少可以通过3个点求解，当匹配点数目大于等于4的时候，PnP问题变成了非线性问题，问题的解取决于点数n和点的形状。所以，考虑到实际应用，pnp算法需要具备这些特质：点数改变时任然有良好的效率，可拓展到平面和非平面的场景，全局最优避免局部最小点。
自从Lepetit等人。介绍了第一个关于点数n的线性复杂度方法EPnP，文献中提出了许多O（n）方法。EPnP实际上在计算上是有效的；但是，它不能保证最优性，并且容易收敛到局部极小值，特别是在≤5的情况下。此外，平面和非平面场景需要不同的实现。为了保证可拓展性和全局最优性，Schweighofer和Pinz以及Hmam和Kim分别提出了两种迭代凸松弛方法。他们使用半定规划（semi-definite programing SDP）的方法解决PnP问题的时间超过100毫秒/帧。尽管计算速度慢，但由于松弛控制困难，基于SDP的方法往往无法收敛到全局最优解。
为了克服计算成本问题，HeschandRoumeliotis提出了直接最小二乘法（DLS）。DLS是找到用多元多项式系统表示的一阶最优性条件（first optimality condition)的所有驻点。求解多项式系统可以用特征值分解的方法，特征值分解可以使用线性代数库有效地计算。由于Hesch方法中使用的Cayley参数化对任何180度旋转都有奇点，OPnP和UPnP采用基于四元数的参数化来避免奇异性。然而，为了提高效率，这两种方法需要一种特殊的实现来消除四元数的符号模糊性，或2次对称性（2-fold symmetry（每次旋转180°重合3次就是旋转120°四次就是旋转90°对称））。
本文提出了一种高效的、可扩展的、全局最优的基于cayley参数化的DLS方法，由于其奇异性，被认为是不适合参数化的。首先，我们得到了一个新的无拉格朗日乘子的最优性条件。对于任何类型的旋转参数化，新方程的解的数目不会改变。然后，我们证明Cayley参数化是最简洁的表示，可以用来计算避免奇异性的最优解。由于没有二次对称性，该方法可以用Kukelova的自动生成器实现，比OPnP快3倍多。
理论基础
pnp问题
这一部分就简单描述一下PnP问题，下图展示了PnP问题的基本几何模型：
让 p i = [ x i , y i , z i ] T p_{i}=[x_{i},y_{i},z_{i}]^{T} pi=[xi,yi,zi]T表示3D点，让 m i = [ u i , v i , 1 ] T m_{i}=[u_{i},v_{i},1]^{T} mi=[ui,vi,1]T表示对应的图像坐标的齐次坐标，从 p i p_{i} pi到 m i m_{i} mi的透视投影可以表示为：
m i ∝ R p i + t , i = 1 , 2 , . . . n (1) m_{i}\propto Rp_{i}+t ,i=1,2,...n\tag{1} mi∝Rpi+t,i=1,2,...n(1)
PnP问题目标是根据已知 p i , m i p_{i},m_{i} pi,mi找到6个未知变量确定R，t,尽管公式（1）中只有3维，一对点对只能给两个约束因为尺度不确定，因此，求解R，t至少3对点对，在 n ≥ 4 n\geq4 n≥4的情况下PnP问题可以表示为一个非线性优化问题：
m i n R , t ∑ i = 1 n ∣ ∣ [ m i ] × ( R p i + t ) ∣ ∣ 2 s . t R T R = 1 , d e t ( R ) = 1 (2) \mathop{min} \limits_{R,t} \sum\limits_{i=1}^n {||[m_{i}]_{\times}(Rp_{i}+t)||^{2}} \tag{2} \newline s.t \quad R^{T}R =1,det(R)=1 R,tmini=1∑n∣∣[mi]×(Rpi+t)∣∣2s.tRTR=1,det(R)=1(2)
其中 [ ] × []_{\times} []×表示向量叉乘，等式（2）中的损失函数基于最小算术误差。
我们可以t表示为R的一个函数，因为t是线线性的，并且在（2）中没有任何约束，因此PnP问题可以重新表示为：
m i n r r T M r s . t R T R = 1 , d e t ( R ) = 1 (3) \mathop{min} \limits_{r} \quad r^{T}Mr \tag{3} \newline s.t \quad R^{T}R =1,det(R)=1 rminrTMrs.tRTR=1,det(R)=1(3)
其中 r ∈ R 9 r\in R^{9} r∈R9且 M ∈ R 9 × 9 M\in R^{9\times9} M∈R9×9, M M M是从已知参数 p i ， m i p_{i}，m_{i} p
最低0.47元/天 解锁文章
3507
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
