EPnP EPnP 的 Catkinization：高效的透视 n 点相机姿态估计 项目网页： : ###相关出版物： [1] V. Lepetit、F. Moreno-Noguer 和 P. Fua。 EPnP：PnP 问题的精确 O(n) 解决方案。 在国际计算机视觉杂志，第一卷。 81，第 155-166 页，2009 年。 [2] F. Moreno-Noguer、V. Lepetit 和 P. Fua。 PnP 问题的准确非迭代 O(n) 解决方案。 IEEE 计算机视觉国际会议，巴西里约热内卢，2007 年 10 月。

RPnP论文&代码

EPnP_Own

基于激光雷达和相机的标定计算软件可以利用不同的计算方法求解雷达三维特征点到图像二维特征点的旋转矩阵、平移矩阵、相机内参等等。集成了四种计算外参矩阵的方法，分别是P3P、EPnP、DLT、PNPRANSAC。不用再编程去实现求解计算，比较方便。内部的函数都是Opencv实现的。 博客地址：https://blog.csdn.net/qq_39400324/article/details/122379440

Feature Tracking and Synchronous Scene Generation with a Single Camera项目的完整版1.0，利用orb算法检测特征点，lk光流跟踪，solvepnp计算相机姿态，opengl画ar物体并实时跟踪重现。

EPnP阅读笔记 .pdf

近年来, EPnP算法作为一种相机位姿估计的解析算法, 因其较低的计算复杂度而得到广泛的关注, 但该算法对图像噪声的稳健性不强。提出了一种基于EPnP算法的迭代算法, 即IEPnP算法。IEPnP算法保留了EPnP算法的主要思想, 构造了4个虚拟控制点, 利用弱透视投影模型获得相机的初始位姿, 计算出虚拟控制点在相机坐标系下的坐标, 然后通过高斯-牛顿法对虚拟控制点在相机坐标系下的坐标进行优化求解, 最终通过解决绝对定向问题来获得对相机位姿的估计。IEPnP算法简化了EPnP算法的计算过程。在不同的图像噪声水平下进行仿真实验, 结果表明, 相比于EPnP算法, IEPnP算法不仅保持了较高的计算效率, 而且对图像噪声具有更强的稳健性。

ARToolKitPlus ARToolKit是一个软件库，可用于实时计算相机相对于物理标记的位置和方向。 这样可以轻松开发各种增强现实应用程序。 ARToolKitPlus是ARToolKit视觉代码的扩展版本，增加了功能，但由于基于类的新API而破坏了兼容性。 ARToolKitPlus不提供对VRML的集成支持，也不提供相机库。 与经典ARToolKit相比的优势： 更简单的基于C ++的API 支持4096个基于二进制的标记-无需自己设计新的标记 支持RGB565，灰度图像 “稳健的平面姿势”算法，可减少跟踪时的抖动 使用基于现代文本文件的相机校准 渐晕补偿 自动阈值 多标记模式下基于船体的跟踪 与ARToolkitPlus 2.1.1相比的优势 支持读取OpenCV校准文件（需要增强） 运行时可配置的代码 非模板的可重用库 更快的编译时间 跟踪多个单独标记的界面 基于

里面有Epnp 位姿估计的论文+ opencv注释的代码+PPt解释

这个函数显示世界空间中的相机位置，变换矩阵是从 OpenCV 或 Matlab 的 solvePNP 计算的。 pnpMatrix 是 Twc，它给出了这个方程 Pc = Twc*Pw（Pw 是世界坐标中的 3D 点，Pc 是相机坐标中的 3D 点）。 fx,fy,cx 和 cy 是相机的参数。