0

我有一个带有一些传感器的对象，其具有相对于彼此固定方向的已知 3d 位置。我们称这个对象为“检测器”。我在 3D 世界空间中检测到了其中一些传感器的位置。 问题：如何在 3D 世界空间中获得“检测器”的估计姿势（位置和旋转）。

我尝试研究 npn 问题，flann 和 orb 匹配以及异常值的 knn，但似乎他们都期望某种相机位置。我与相机无关，我想要的只是“探测器”的姿势。考虑到 opencv 是一个“视觉”库，我什至需要 opencv 吗？

编辑：并非所有传感器都可能被检测到。这里用浅绿色的圆点表示。 3D 姿态估计

4

2 回答 2

3

抱歉，这有点旧，但做对象跟踪永远不会太晚:)

OpenCV SolvePNP RANSAC 应该适合你。您不需要提供初始姿势，只需制作空垫子rvec并tvec保存您的结果。

也因为没有相机，只需使用 Identity 作为相机失真参数。

第一次使用空调用 PNPrvec并tvec确保设置useExtrinsicGuess = false. 如果结果好，请保存您的结果，将它们用于下一帧，useExtrinsicGuess = true以便更快地优化功能。 https://docs.opencv.org/2.4/modules/calib3d/doc/camera_calibration_and_3d_reconstruction.html#solvepnpransac

于 2017-11-16T03:09:00.817 回答
1

你绝对不需要 openCV 来估计你的对象在空间中的位置。

这是一个简单的优化问题，您需要最小化与模型的距离。

首先，您需要创建对象在空间中的姿态模型。

def Detector([x, y, z], [alpha, beta, gamma]):

它应该返回一个列表或数组，其中包含 3D 空间中具有 ID 的点的所有位置。您甚至可以为这些传感器点中的每一个创建一个类，并为整个对象创建一个类，该类具有与对象上的传感器一样多的属性。

然后，您需要构建一个优化算法，以将您的模型拟合到检测到的数据上。该算法应该使用姿态 x, y, z, alpha, beta, gamma 作为变量。

对于目标函数，您可以使用到相应 ID 的距离总和之类的东西。

假设您有一个 3 点对象，您想在 3 个数据点上进行拟合

#Model
m1 = [x1, y1, z1]
m2 = [x2, y2, z2]
m3 = [x3, y3, z3]

#Data
p1 = [xp1, yp1, zp1]
p2 = [xp2, yp2, zp2]
p3 = [xp3, yp3, zp3]

import numpy as np
def distanceL2(pt1, pt2):
    distance = np.sqrt((pt1[0]-pt2[0])**2 + (pt1[1]-pt2[1])**2 + (pt1[2]-pt2[2])**2))

# You already know you want to relate "1"s, "2"s and "3"s
obj_function = distance(m1, p1) + distance(m2,p2) + distance(m3,p3)

现在，您需要深入研究优化库以找到要使用的最佳算法，具体取决于您需要优化的速度。由于您在空间中的点实际上是连接的，因此这应该不会太难。scipy.optimize 可以做到。

为了减少您的问题的维度，请尝试将“检测到”点之一作为参考（好像该度量值得信任），然后找到该位置的 obj_function 的最小值（只剩下 3 个参数需要优化，对应于方向），然后对你拥有的每个点进行迭代。获得最佳位置后，您可以尝试在其周围为该传感器寻找更好的位置，并查看是否再次缩短距离。

于 2017-05-16T12:57:21.537 回答