biscuitの博客

数学原理#

solvePnP函数基于透视投影模型，假设相机可以通过一个投影矩阵将3D点投影到2D图像平面上。给定一组已知的3D点（物体坐标系下）和对应的2D图像点（像素坐标系下），以及相机的内参矩阵和畸变系数，solvePnP函数通过最小化重投影误差来估计相机的旋转向量rvec和平移向量tvec。

函数原型#

1
bool cv::solvePnP(
2
    InputArray objectPoints,
3
    InputArray imagePoints,
4
    InputArray cameraMatrix,
5
    InputArray distCoeffs,
6
    OutputArray rvec,
7
    OutputArray tvec,
8
    bool useExtrinsicGuess = false,
9
    int flags = SOLVEPNP_ITERATIVE
10
);

参数说明#

• objectPoints：输入的3D点坐标，通常为一个Nx3的矩阵，表示N个3D点的(x, y, z)坐标。
• imagePoints：输入的2D图像点坐标，通常为一个Nx2的矩阵，表示N个2D点的(u, v)坐标。
• cameraMatrix：相机内参矩阵，通常为一个3x3的矩阵，包含焦距和主点坐标。
• distCoeffs：相机的畸变系数，通常为一个1x5或1x8的矩阵，表示径向和切向畸变参数。
• rvec：输出的旋转向量，表示相机的旋转。
• tvec：输出的平移向量，表示相机的平移。
• useExtrinsicGuess：布尔值，表示是否使用初始的外参猜测。
• flags：用于选择不同的求解方法，如SOLVEPNP_ITERATIVE、SOLVEPNP_P3P等。

不同的求解方法#

• SOLVEPNP_ITERATIVE：迭代法，适用于大多数情况，精度较高。
• SOLVEPNP_P3P：适用于仅有3个点的情况，计算速度快，但对噪声敏感。
• SOLVEPNP_AP3P：适用于4个点的情况，计算速度较快。
• SOLVEPNP_EPNP：高效的PnP算法，适用于大量点的情况。
• SOLVEPNP_DLS：基于直接线性变换的方法，适用于少量点。
• SOLVEPNP_UPNP：无约束的PnP算法，适用于任意数量的点。