双目摄像技术分析--突破光学与尺寸的极限

性物体。这个问题的解决方法在实际应用中很有用，因为它们允许我们根据摄像机估计图像中已知物体的位置，方向，缩放，尽管物体身上的图像特征有很多不确定性。这类算法能够和世界产生作用，在系统中特别有用。例如，如果我们希望移动一个物体到特定位置，或者抓住它，根据摄像机知道它的数据真的特别有用。我们使用相同的方法来解决3D物体到3D物体的配准，方法重复：找到一个群；恢复转换关系；对全部源实施转换；然后对源于目标的相似度打分。最后我们输出得分最好的转换结果。更进一步，如果最好的转换关系得分较好，那么物体就在那儿（那儿就是估计出的位姿）；如果不好，他就不是（不在那儿）。

源由多个基于某些几何结构的标记组成，而是基于几何结构的旋转平移及缩放版的标记组成。我们想得到实际的旋转，平移及缩放。通常该问题涉及很多中的外点，因为我们不知道特征是否真的来自该物体。几乎所有的标记都是点或者线段；对于，这些由物体的几何模型决定，而对于，则来自边缘点或者边缘点的拟合线（我们能使用Chapter 10的这些机制获得这些线）（钓寒江雪翻译）。这个案例有两个不同的特性。我们不能估计全部的转换参数（通常也无关紧要），且它也很难得到令人满意的源与目标的相似度评分。　

有很多方法可以估计转换参数。细节依赖于我们是否标定摄像机，以及我们使用了何种摄像机模型。在最简单的案例中，我们使用了垂直的摄像机，标定基于未知的尺度，沿着Ｚ轴俯视摄像机坐标系。我们无法估计3D目标的深度，因为改变深度不改变图像。我们不能独立于摄像机的缩放尺度判定物体的尺度，因为同时改变这两个参数能得到相同的图像。例如，我们放大物体一杯，同时缩小摄像机的像元，我们得到的图像点具有相同的坐标值。因此，我们不能影响上述搜索过程背后的因果关系。例如，我们建立源与目标的正确的映射关系，然后，源标记将停止在靠近或者在目标标记的上方。这意味着使用了上述RASANC风格的方法。相似地，如果我们提供了准确的转换参数（我们能设置摄像机缩放参数为1），我们就可以估计深度。

在单个垂直摄像机的案例中，基于未知缩放值得标定，三个映射点对已经足够估计旋转量。两个可观测的平移及缩放（参考联系，给出了另一个帧群组）。在大部分应用中，深度在物体间的变换相对于物体的深度要小的多。这意味着，一个透视摄像机能够能被弱透视变换近似模型来近似。这等同于单个垂直摄像机，标定到一个未知的尺度。如果摄像机的尺度已知，也就可以恢复出无图的深度。　

Figure 13 一个平面物体被配准到图像。左图中，一个物体的图像；中图中，一个图像中包含物体的两个实例，及其他材料（聚类中常见的例子）。特征点被检测了，且两个群组－在这个案例中，三点集－被搜索；每个映射给出了一个从模型到图像的变换。满意的映射对齐了很多模型边缘点与图像边缘点，在左图中，这是为什么这个方法有时候被称为“对齐”。这个图像来自该主题的早期的论文，但是受到当时落后的再生技术的影响。这个图像最早作为Figure 7发表在“Object recognition using　alignment,” D.P. Huttenlocher and S. Ullman, Proc. IEEE ICCV, 1986. c IEEE, 1986.

验证: 比较转换与玄然后的源图与目标图

实际应用中，用来搜索转换关系的RANSAC-风格的搜索算法主要的难点在于配准３Ｄ目标与一个图像，一个好的评分方法比较难以得到（钓寒江雪翻译）。计算评分函数的方法是直接的，如果我们启用渲染，一个通用目的用于根据模型生成图像的方法的描述，包含所有的从绘线到给图像物理地精确地着色工作。我们获得估计得转换模型，应用到模型，然后使用摄像机模型渲染转换后的物体模型。我们实施渲染，并与图像进行比较。难点在于比较方式（这决定我们需要渲染什么）。

我们需要一个能够说明所有已知图像迹象的评分函数。这要能包含难以确定确定型的标记（角点或者边缘点），或者图像纹理的迹象。如果我们知道所有的物体在其之下被观测的光照条件。我们可能可以使用像素亮度（实际条件下，这几乎行不通）。通常，关于光照我们所能知道全部就是亮度足够时，我们能找到一些标记，这也是为什么我们有配准假设需要检验。这意味着这些比较被要求在在光照变换条件下是鲁棒的。显然，实践中，最重要的检验是渲染物体的轮廓，然后比较其边缘点。

一个自然检验方法是根据摄像机模型叠加物体的轮廓边缘到图像，然后根据这些点与真实图像边缘点的比较对假设模型进行评分，通常的评分是靠近的实际的边缘点