皮皮网

1.一文详解头部位姿估计【收藏好文】
2.物理的焦距焦距 焦距、物距、源码像距分别是代码什么意思可以详细的说下吗？
3.Unity摄像机之焦距某点缩放

一文详解头部位姿估计【收藏好文】

       在许多应用中，我们需要知道头部相对于相机是焦距焦距如何倾斜的。例如，源码在虚拟现实应用程序中，代码threejs源码下载可以使用头部的焦距焦距姿势来渲染场景的正确视图。在驾驶员辅助系统中，源码汽车上的代码摄像头可以观察驾驶员的面部，通过头部姿态估计来判断驾驶员是焦距焦距否在关注道路。当然，源码人们也可以使用基于头部姿势的代码手势来控制免提应用程序。

       本文中我们约定使用下面术语，焦距焦距以免混淆。源码位姿：英文是代码pose，包括位置和姿态。位置：英文是location。：英文是photo，本文中用来指一幅照片。图像：英文是image，本文中用在平面或坐标系中，例如image plane指图像平面，image coordinate system指图像坐标系统。旋转：英文是rotation。平移：英文是translation。变换：英文是transform。投影：英文是project。

       什么是位姿估计？在计算机视觉中，物体的2023算命源码姿态是指物体相对于相机的相对方向和位置。你可以通过物体相对于相机移动，或者相机相对于物体移动来改变位姿。—— 这二者对于改变位姿是等价的，因为它们之间的关系是相对的。本文中描述的位姿估计问题通常被称为“Perspective-n-Point” 问题，或计算机视觉中的PnP问题。PnP问题的目标是找到一个物体的位姿，我们需要具备两个条件：条件1：有一个已经校准了的相机；条件2：我们知道物体上的n个3D点的位置locations和这些3D点在图像中相应的2D投影。

       如何在数学上描述相机的运动？一个3D刚体(rigid object)仅有2种类型的相对于相机的运动。第一种：平移运动（Translation）。平移运动是指相机从当前的位置location其坐标为（X， Y， Z）移动到新的坐标位置（X‘， Y’，Z‘）。平移运动有3个自由度——各沿着X，Y，Z三个轴的方向。平移运动可以用向量t = (X’-X, Y’-Y, Z’-Z)来描述。第二种：旋转运动（Rotation）。是指将相机绕着X，Y，Z轴旋转。旋转运动也有3个自由度。有多种数学上的方法描述旋转运动。使用欧拉角（横摇roll, 纵摇pitch, 偏航yaw）描述，使用3X3的旋转矩阵描述，或者使用旋转方向和角度（directon of rotation and angle）。pytorch源码下载

       进行位姿估计时你需要什么？为了计算一幅图像中一个刚体的3D位姿，你需要下面的信息：信息1：若干个点的2D坐标。你需要一幅图像中若干个点的2D（x, y）位置locations。在人的面部这个例子中，你可以选择：眼角、鼻尖、嘴角等。在本文中，我们选择：鼻尖、下巴、左眼角、右眼角、左嘴角、右嘴角等6个点。信息2：与2D坐标点一一对应的3D位置locations。你需要2D特征点的3D位置locations。信息3：相机的内参。正如前文说提到的，在这个PnP问题中，我们假定相机已经被标定了。换句话说，你需要知道相机的焦距focal length、图像的光学中心、径向畸变参数。

       位姿估计算法是如何工作的？有很多的位姿估计算法，最有名的可以追溯到年。该算法的详细讨论超出了本文的讨论范围。这里只给出其简要的2021新版源码核心思想。该位姿估计PnP问题涉及到3个坐标系统。（1）世界坐标系。前面给出的各个面部特征的3D点就是在世界坐标系之中；（2）如果我们知道了旋转矩阵R和平移向量t，我们就能将世界坐标系下的3D点“变换Transform”到相机坐标系中的3D点。（3）使用相机内参矩阵，能将相机坐标系中的3D点能被投影到图像平面image plane, 也就算图像坐标系统image coordinate system。整个问题就是在3个坐标系统中玩耍：3D的世界坐标系World coordiantes、3D的相机坐标系Camera coordinates、2D的图像坐标系Image coordinates。下面，我们来深入研究图像生成方程式，以理解上述三个坐标系是如何工作的。

       在上述中，左下角的O是相机的中心，中间的平面Image Plane就是像平面，我们感兴趣的是找出“将3D点P投影到像平面中点p的方程式”。首先，我们假设已经知道了位于世界坐标系中3D点P的位置（U，V，W），如果我们还知道了世界坐标系相对于相机坐标系之间的旋转矩阵R和平移向量t,通过下面方程式，就能计算出点P在相机坐标系下的位置（X，Y，Z）。

       下面，我们来深入研究图像生成方程式，以理解上述三个坐标系是如何工作的。在上述中，电视配置源码左下角的O是相机的中心，中间的平面Image Plane就是像平面，我们感兴趣的是找出“将3D点P投影到像平面中点p的方程式”。首先，我们假设已经知道了位于世界坐标系中3D点P的位置（U，V，W），如果我们还知道了世界坐标系相对于相机坐标系之间的旋转矩阵R和平移向量t,通过下面方程式，就能计算出点P在相机坐标系下的位置（X，Y，Z）。

       正如将在下面章节讲述的，我们知道(X, Y, Z)只在一个未知的尺度上或者说(X, Y, Z)仅由一个未知的尺度所决定，所以我们没有一个简单的线性系统。

       直接线性变换（Direct Linear Transform）我们已经知道了3D模型世界坐标系中的很多点也就是（U，V，W），但是，我们不知道(X, Y, Z)。我们只知道这些3D点对应的2D点在图像平面Image Plane中的位置也就是(x, y)。在不考虑畸变参数的情况下，像平面中点p的坐标(x,y)由下面的方程式（3）给出。方程式（3）中的s是什么？它是一个未知的尺度因子scale factor。由于在图像中我们没有点的depth信息，所以这个s必须存在于方程中。引入s是为了表示：图2中射线O-P上的任何一点，无论远近，在像平面Image Plane上的都是同一个点p。也就是说：如果我们将世界坐标系中的任何一点P与相机坐标系的中心点O连接起来，射线O-P与像平面Image Plane的交点就是点P在像平面上的像点p，该射线上的任何一点P，都将在像平面上产生同一个像点p。现在，上面这些讨论已经将方程式（2）搞复杂了。因为这已经不是我们所熟悉的、能解决的一个“好的线性方程”了。我们方程看起来更像下面的形式。不过，幸运的是，上面形式的方程，可以使用一些“代数魔法”来解决——直接线性变换（DLT）。当你发现一个问题的方程式“几乎是线性的，但又由于存在未知的尺度因子，造成该方程不完全线性”，那么你就可以使用DLT方法来求解。

       列文伯格-马夸尔特优化算法（Levenberg-Marquardt Optimization）由于下面的一些原因，前面阐述的DLT解决方案并不能非常精确地求解。第一：旋转向量R有3个自由度，但是DLT方案中使用的矩阵描述有9个数，DLT方案中没有任何措施“强迫估计后得到的3X3的矩阵变为一个旋转矩阵”。更重要的是：DLT方案没有“正确的目标函数”。的确，我们希望能最小化“重投影误差reprojection error”，正如下面将要讲的。

       对于方程式（2）和方程式（3），如果我们知道正确的位姿（矩阵R和向量t），通过将3D点投影到2D像平面中，我们能预测到3D面部点的2D点在图像中的位置locations。换而言之，如果我们知道R和t，对于每一个3D点P，我们都能在像平面上找到对于的点p。我们也知道了2D面部特征点通过Dlib或者手工点击给出。我们可以观察被投影的3D点和2D面部特征之间的距离。当位姿估计结果是准确的时候，被投影到像平面Image Plane中的3D点将与2D面部特征点几乎完美地对齐。但是，当位姿估计不准确时，我们可以计算“重投影误差reprojection error”——被投影的3D点和2D面部特征点之间的距离平方和。

       位姿（R和t）的近似估计可以使用DLT方案。改进DLT解决方案的一个简单方法是随机“轻微”改变姿态(R和t)，并检查重投影误差是否减小。如果的确减小了，我们就采用新的估计结果。我们可以不断地扰动R和t来找到更好的估计。尽管这种方法可以工作，但是很慢。可以证明，有一些基本性的方法可以通过迭代地改变R和t的值，从而降低重投影误差。——其中之一就是所谓的“列文伯格-马夸尔特优化算法”。在OpenCV中，有两种用于位姿估计的API：solvePnP和solvePnPRansac。solvePnP实现了几种姿态估计算法，可以使用参数进行选择不同的算法。默认情况下，它使用标志SOLVEPNP_ITERATIVE，其本质上是DLT解决方案，然后是列文伯格-马夸尔特算法进行优化。SOLVEPNP_P3P只使用3个点来计算姿势，并且应该只在使用solvePnPRansac时使用。在OpenCV3中，引入了SOLVEPNP_DLS和SOLVEPNP_UPNP两种新方法。关于SOLVEPNP_UPNP有趣的事情是，它在估计位姿时，也试图估计相机内部参数。solvePnPRansac中的“Ransac”是“随机抽样一致性算法Random Sample Consensus”的意思。引入Ransac是为了位姿估计的鲁棒性。当你怀疑一些数据点是噪声数据的时候，使用RANSAC是有用的。

       样例CMakeLists.txt文件：文件：源代码：OAK中国|追踪AI技术和产品新动态公众号|OAK视觉人工智能开发点「这里」添加微信好友（备注来意）戳「+关注」获取最新资讯↗↗

物理的 焦距、物距、像距分别是什么意思可以详细的说下吗？

       焦距（f）——焦点到光心的距离叫焦距

       物距（u）——物体到凸透镜光心的距离叫物距！

       像距（v）——凸透镜成的像到凸透镜光心的距离叫像距！

       焦点（F）——通过凸透镜的、平行主光轴的光线，在主光轴上的会聚点叫焦点F！

扩展资料

       凸透镜（convex lens）能成像，一般用凸透镜做照相机的镜头时，它成的最清晰的像一般不会正好落在焦点上，或者说，最清晰的像到光心的距离(像距)一般不等于焦距，而是略大于焦距。具体的距离与被照的物体与镜头的距离（物距）有关，物距越大，像距越小，(但实际上总是大于焦距)。

       在空气中的薄透镜，焦距是由透镜的中心至主焦点的距离。对一个汇聚透镜（例如一个凸透镜），焦距是正值，而一束平行光将会聚集在一个点上。对一个发散透镜（例如一个凹透镜），焦距是负值，而一束平行光在通过透镜之后将会扩散开。

Unity摄像机之焦距某点缩放

       在游戏开发中，细致观察某些对象是必要的。通常，我们可以通过鼠标滑动来达到这一目的。在Scene面板中，我们可以直观地看到这一过程。然而，当我们观察到鼠标距离越远，消失或生成的速度越快时，且摄像机中心点与鼠标的Viewport距离始终不变，会发现实现这一功能相对复杂。因此，我上网寻找相关源码，发现只有UI上的放大方法是通过改变锚点实现的。但在非UI场景中，如何实现这一功能呢？

       首先，我将Camera设置为Orthographic模式，因此需要通过改变Size来实现缩放效果。

       其中，Size的值等于

       我是通过横向来确定Size的，如图，一个小格子占个像素，因此

       缩小时，Size值增大；相反，放大时Size值减少。下面简单解释一下原理。

       假设相机在最左下点，鼠标点在中心点，其他如下：

       size：放大后的orthographicSize（已知）

       oldSize：放大前的orthographicSize（已知）

       mousePos：鼠标位置的世界坐标 = Camera.ScreenToWorldPoint(Input.mousePosition)（已知）

       pos：放大前Camera位置坐标 = Camera.transform.position（已知）

       newPos：放大后Camera位置坐标

       因此，得到以下公式

       由于其他条件已知，因此可以求出对应的newPos

       主要源码如下：

       其中，使用了Dotween插件以实现平滑移动的效果。