我正在尝试使用4个角点= 4个共面点的平面标记来进行姿势估计（实际上[编辑： 3DOF ]旋转是我所需要的）。
直到今天，我还是从我读到的所有内容中得到的印象是，你将始终使用各种可用方法计算单应性（例如使用DLT）并分解该矩阵（Faugeras，Zhang，分析方法也在{{3}中描述）如有必要，使用非线性优化对其进行细化。
第一个小问题：如果这是一种分析方法（只需从矩阵中取两列并从中创建一个正交矩阵，得到所需的旋转矩阵），那么有什么优化？我在Matlab中尝试了它，结果很糟糕，所以我可以清楚地看到结果不完美甚至不够，但我也不明白为什么人们会想要使用Faugeras和Zhang使用的相当昂贵和复杂的SVD如果这个简单的方法已经产生了结果。
然后存在迭代姿势估计方法，如Lu等人的Ortohogonal迭代（OI）算法。或者Schweighofer和Pinz的鲁棒姿态估计算法，其中甚至没有提到“单应性”这个词。他们所需要的只是一个初始姿态估计，然后进行优化（由Schweighofer完成的Matlab中的参考实现使用OI算法，例如，它本身使用一些基于SVD的方法）。
我的问题是：到目前为止我读到的所有内容都是'4分？单应性，单应性，单应性。分解？嗯，棘手，一般不是唯一的，有几种方法。现在这个迭代的世界开放了，我无法将这两个世界联系起来，我不完全理解他们的关系。我甚至无法清楚地说明我的问题是什么，我希望有人能够理解我的位置。
我非常感谢一两个提示。
编辑：说：平面上的4个点并且它们的图像通过单应性相关联，即8个参数，这是正确的。找到标记姿势的参数可以通过使用Faugeras，Zhang或直接解决方案计算和分解单应矩阵来完成，每个都有它们的缺点。它也可以使用迭代方法完成，如OI或Schweighofer算法，它不会计算单应矩阵，而只是使用相应的点，并且需要初始估计（可以使用单应性分解的初始猜测）。
答案 0 :(得分：0)
我不会向您提供完整的答案，但看起来至少有一点需要澄清：
单应性是从P ^ 2（齐次3矢量）到其自身的可逆映射，其总是可以由可逆3×3矩阵表示。话虽如此，请注意，如果您的3d点是共面的，您将始终能够使用单应性将世界点与图像点相关联。
通常，3空间中的点在齐次坐标中表示为4矢量。作用于P ^ 3的投影变换由非奇异的4x4矩阵表示（15个自由度，16个元素减去整体尺度的一个）。
所以，最重要的是，如果您的模型是平面的，您将能够使用单应性（8 DOF）和适当的算法，而在一般情况下，您将需要估计4x4矩阵并且需要不同的算法。
希望这有帮助，
亚历