【摘要】3D視覺定位指的是根據(jù)事先構建的3D模型及相關信息，計算取得某張圖像在拍攝時相機的位置和姿態(tài)。這是3D視覺的一項十分重要的技術，可以用來幫助實現(xiàn)人員定位與導航。本博文將基于2019年CVPR論文From Coarse to Fine： Robust Hierarchical Localization at Large Scale所采用的分級定位方案對該技術進行簡要的介紹?；驹?D.。.

引言

所謂3D視覺定位指的是根據(jù)事先構建的3D模型及相關信息，計算取得某張圖像在拍攝時相機的位置和姿態(tài)。這是3D視覺的一項十分重要的技術，可以用來幫助實現(xiàn)人員定位與導航。本博文將基于2019年CVPR論文From Coarse to Fine： Robust Hierarchical Localization at Large Scale所采用的分級定位方案對該技術進行簡要的介紹。

基本原理

3D視覺定位的直接目標是計算當前圖像的照相機位姿，解決該問題的直接方案是建立3D點與2D點之間的匹配關系，通過二者的匹配關系估計相機位姿，這一問題被稱作PnP（Pespective-n-Point）問題。求解PnP問題的方法有很多，常見的有P3P、EPnP、UPnP等，具體的如何實現(xiàn)本文不做介紹，讀者可以自行搜索PnP問題的相關理論。而視覺定位需要解決的一大關鍵問題是如何建立3D點與2D點之間的匹配關系。對于這一點，論文作者Sarlin提出過一種分級定位的方案，以下將詳細介紹該方案。

分級定位

分級定位的框架大約可以分成三步：預檢索、共視聚類、局部匹配與定位。

預檢索

預檢索的意義在于獲取前k張與當前圖像最相似的圖像，判斷相似的依據(jù)通常是通過匹配圖像的全局特征。一般而言，產生全局特征的方法可以依賴于局部特征所組成的詞袋，不過近些年，一些深度學習方案也被引入了進來，例如NetVLAD或更加輕量級的MobileNetVLAD。最終通過獲取當前圖像的全局特征的k個最近鄰來獲取預檢索得到的相近圖集。

共視聚類

然而由于可能產生的錯誤匹配，所獲取到的預檢索圖集并不一定全部都面向同一場景，這時就需要先將面向不同場景的圖像區(qū)分開來，這項技術就被稱作共視聚類，簡而言之就是將具有共視關系的圖像聚成一類。

這一過程實際十分簡單，它是通過匹配同名點來獲取的，這些同名點在早先進行的3D建模過程中通過特征的提取與匹配已經建立了對應的關系。若兩個圖像中存在穩(wěn)定的同名點，則認為二者共視，分成一類，否則分成兩類。

局部匹配與定位

一般認為圖像數(shù)量較多的類所對應的場景是正確場景的可能性較大。因此從這一場景開始，嘗試獲取相機位姿。獲取的方式主要依賴求解PnP問題，因此需要首先構建當前圖像的2D關鍵點在3D模型中的坐標位置。在尚不知道相機姿態(tài)前，這一信息的獲取需要首先匹配當前圖像和場景內的圖像，特別要匹配那些能夠對應到3D位置的2D特征點，若能夠匹配上則確定了當前圖像中的2D點和3D點的對應關系，繼而即可通過對PnP問題的求解獲取相機位姿。

總結

本博文基于當前被廣泛采用的分級視覺定位方法對在3D視覺領域廣泛使用的視覺定位方法進行了簡要介紹，其主要可以被分為三個步驟，即預檢索、共視聚類、局部匹配與定位，最終通過求解PnP問題來獲取當前圖像的位姿，從而確定拍攝者的位置。筆者后續(xù)將繼續(xù)保持對3D視覺領域的研究和關注，并繼續(xù)輸出相關博文。
編輯：lyn