6D位姿估计的理解及BOP数据集参数说明_位姿估计数据集-程序员宅基地

6D位姿估计的理解及BOP数据集参数说明

一、6D位姿估计
姿态估计在百度上搜会出现“姿态估计问题就是确定某一三维目标物体的方位指向问题”的解释，但是具体来讲确定某一三维目标物体的方位指向问题到底是什么意思呢？

首先，6D表示6个自由度，3个自由度的位移(Translation)和3个自由度的空间旋转(Rotation)。位移即方位，旋转即指向。将它们组合起来便构成了“位姿”。位姿并不是绝对的，它指的是两个坐标系之间的变换（Translation and Rotation），而坐标系有世界坐标系、相机坐标系和物体坐标系三种，所以也就有了物体6d位姿估计和相机6d位姿估计两种位姿估计。

这两种位姿估计本质上讲是差不多的，区别就是从哪一个坐标系变换到相机坐标系。
一、6d物体位姿估计
6d物体位姿估计的任务就是估计从物体坐标系到相机坐标系的刚性变换，即在拍摄照片时，相机坐标系相对于物体坐标系发生的平移和旋转变换。通常用物体坐标系到相机系的RT变换来表示：
在这里插入图片描述

Tc：物体在相机坐标系下的3D点
Tm：物体在物体坐标系下的3D点
Rcm：物体从物体坐标系到相机坐标系的旋转
tcm：物体从物体坐标系到相机坐标系的位移

二、6d相机位姿估计
6d物体位姿估计的任务就是估计从世界坐标系到相机坐标系的刚性变换，即在拍摄照片时，相机坐标系相对于世界坐标系发生的平移和旋转变换。通常用世界坐标系到相机系的RT变换来表示：
在这里插入图片描述

Tc：物体在相机坐标系下的3D点
Tm：物体在世界坐标系下的3D点
Rcm：物体从世界坐标系到相机坐标系的旋转
tcm：物体从世界坐标系到相机坐标系的位移

三、BOP数据集参数
BOP数据集，这里可以学习数据集的相关内容和下载数据集。
在跑ssd-6d时用到了BOP数据集里的部分数据集，有一些参数我不太明白，后来通过查找资料，终于知道了每个文件里的参数是什么意思。
1.相机参数
Teijani数据集

对应于如图所示的文件“scene_camera.json”，打开后包括以下参数：

cam_K：表示相机的内参，是一个三行三列的矩阵K按行来保存得到的向量
cam_R_w2c：表示世界坐标系到相机坐标系的旋转矩阵R_w2c（3×3）按行来保存得到的向量
cam_t_w2c：表示世界坐标系到相机坐标系的三行一列的位移向量t_w2c（3×1）
depth_scale：一个因子，用来与depth图乘积得到深度值（单位：mm）
view_level：试点细分级别

相机矩阵：P_w2i = K * [R_w2c, t_w2c]

世界坐标系下的3D点与图片上的2D点的转换：sp_i=P_w2ip_w

p_w = [x, y, z, 1]’ 世界坐标系下点的3D坐标
p_i =[u, v, 1] 相机坐标系2D坐标
2.真值标记

对应如图所示的文件“scene_gt.json”，打开后包括以下参数：

obj_id：物体的id
cam_R_m2c：物体坐标系到相机坐标系的三行三列的旋转矩阵R_m2c按行保存的结果
cam_t_m2c：物体坐标系到相机坐标系的三行一列的位移向量t_m2c

相机矩阵：P_w2i = K * [R_w2c, t_w2c]

物体坐标系（Model）下的3D点与相机坐标系下2D点的转换：sp_i=P_w2ip_w

p_w = [x, y, z, 1]’ 物体坐标系下点的3D坐标
p_i =[u, v, 1] 相机坐标系下的2D坐标

3.位姿真值的Meta信息
在这里插入图片描述
对应如图所示的文件“scene_gt_info.json”，打开后包括以下参数：

bbox_obj：物体的二维bbox，四个值分别表示（左上角坐标，框宽，框高）=（x，y，width，height）
bbox_visib：物体轮廓的可见部分的二维bbox
px_count_all ：物体二维bbox中的像素总数
px_count_visib：物体轮廓的可见部分的二维bbox中的像素数
px_count_valid：depth图像中的非零值点在二维bbox中的像素数
visib_fract ：= px_count_visib/px_count_all可见部分的占比

参考：
https://blog.csdn.net/u014712806/article/details/112339410
https://blog.csdn.net/dsoftware/article/details/106101681

本文链接：https://blog.csdn.net/weixin_46428351/article/details/115357325

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

稀疏编码的数学基础与理论分析-程序员宅基地

文章浏览阅读290次，点赞8次，收藏10次。1.背景介绍稀疏编码是一种用于处理稀疏数据的编码技术，其主要应用于信息传输、存储和处理等领域。稀疏数据是指数据中大部分元素为零或近似于零的数据，例如文本、图像、音频、视频等。稀疏编码的核心思想是将稀疏数据表示为非零元素和它们对应的位置信息，从而减少存储空间和计算复杂度。稀疏编码的研究起源于1990年代，随着大数据时代的到来，稀疏编码技术的应用范围和影响力不断扩大。目前，稀疏编码已经成为计算...

EasyGBS国标流媒体服务器GB28181国标方案安装使用文档-程序员宅基地

文章浏览阅读217次。EasyGBS - GB28181 国标方案安装使用文档下载安装包下载，正式使用需商业授权, 功能一致在线演示在线API架构图EasySIPCMSSIP 中心信令服务, 单节点, 自带一个 Redis Server, 随 EasySIPCMS 自启动, 不需要手动运行EasySIPSMSSIP 流媒体服务, 根..._easygbs-windows-2.6.0-23042316使用文档

【Web】记录巅峰极客2023 BabyURL题目复现——Jackson原生链_原生jackson 反序列化链子-程序员宅基地

文章浏览阅读1.2k次，点赞27次，收藏7次。2023巅峰极客 BabyURL之前AliyunCTF Bypassit I这题考查了这样一条链子：其实就是Jackson的原生反序列化利用今天复现的这题也是大同小异，一起来整一下。_原生jackson 反序列化链子

一文搞懂SpringCloud，详解干货，做好笔记_spring cloud-程序员宅基地

文章浏览阅读734次，点赞9次，收藏7次。微服务架构简单的说就是将单体应用进一步拆分，拆分成更小的服务，每个服务都是一个可以独立运行的项目。这么多小服务，如何管理他们？(服务治理注册中心[服务注册发现剔除])这么多小服务，他们之间如何通讯？这么多小服务，客户端怎么访问他们？(网关)这么多小服务，一旦出现问题了，应该如何自处理？(容错)这么多小服务，一旦出现问题了，应该如何排错?(链路追踪)对于上面的问题，是任何一个微服务设计者都不能绕过去的，因此大部分的微服务产品都针对每一个问题提供了相应的组件来解决它们。_spring cloud

Js实现图片点击切换与轮播-程序员宅基地

文章浏览阅读5.9k次，点赞6次，收藏20次。Js实现图片点击切换与轮播图片点击切换<!DOCTYPE html><html> <head> <meta charset="UTF-8"> <title></title> <script type="text/ja..._点击图片进行轮播图切换

tensorflow-gpu版本安装教程（过程详细）_tensorflow gpu版本安装-程序员宅基地

文章浏览阅读10w+次，点赞245次，收藏1.5k次。在开始安装前，如果你的电脑装过tensorflow，请先把他们卸载干净，包括依赖的包（tensorflow-estimator、tensorboard、tensorflow、keras-applications、keras-preprocessing），不然后续安装了tensorflow-gpu可能会出现找不到cuda的问题。cuda、cudnn。..._tensorflow gpu版本安装

随便推点

物联网时代权限滥用漏洞的攻击及防御-程序员宅基地

文章浏览阅读243次。0x00 简介权限滥用漏洞一般归类于逻辑问题，是指服务端功能开放过多或权限限制不严格，导致攻击者可以通过直接或间接调用的方式达到攻击效果。随着物联网时代的到来，这种漏洞已经屡见不鲜，各种漏洞组合利用也是千奇百怪、五花八门，这里总结漏洞是为了更好地应对和预防，如有不妥之处还请业内人士多多指教。0x01 背景2014年4月，在比特币飞涨的时代某网站曾经..._使用物联网漏洞的使用者

Visual Odometry and Depth Calculation--Epipolar Geometry--Direct Method--PnP_normalized plane coordinates-程序员宅基地

文章浏览阅读786次。A. Epipolar geometry and triangulationThe epipolar geometry mainly adopts the feature point method, such as SIFT, SURF and ORB, etc. to obtain the feature points corresponding to two frames of images. As shown in Figure 1, let the first image be and th_normalized plane coordinates

开放信息抽取(OIE)系统（三）-- 第二代开放信息抽取系统(人工规则, rule-based, 先抽取关系)_语义角色增强的关系抽取-程序员宅基地

文章浏览阅读708次，点赞2次，收藏3次。开放信息抽取(OIE)系统（三）-- 第二代开放信息抽取系统(人工规则, rule-based, 先关系再实体)一.第二代开放信息抽取系统背景第一代开放信息抽取系统(Open Information Extraction， OIE， learning-based, 自学习, 先抽取实体)通常抽取大量冗余信息，为了消除这些冗余信息，诞生了第二代开放信息抽取系统。二.第二代开放信息抽取系统历史第二代开放信息抽取系统着眼于解决第一代系统的三大问题: 大量非信息性提取（即省略关键信息的提取）、_语义角色增强的关系抽取