非合作目标位姿跟踪
一. 目标精确3D模型已知
1. 不显式提取边缘
利用初始位姿在图像边缘周围搜索强梯度
1.1 RAPiD算法（1990年，第一个实时跟踪算法，baseline）
- 方法：对目标边缘轮廓进行离散采样，沿采样点法向搜索匹配点，求解位姿参数
- 缺点：鲁棒性较差
1）梯度搜索中选最近的边缘点作为匹配点（复杂环境下，容易产生错误匹配）
2）假设微小运动，快速运动时精度明显下降
1.2 RAPiD算法改进方向
1.2.1 匹配点搜索
- 多假设：设定搜索线长度阈值，阈值内的所有极值点都作为候选点
1.2.2 剔除误匹配的影响
- 稳健估计：RANSAC、M-estimators等
- 从3D模型中移除被遮挡和不可见的边缘
- 局部优化（例如：将同一条边上的采样点作为一个整体进行优化） / 全局优化
1.2.3 贝叶斯估计
- 卡尔曼滤波
- 粒子滤波框架
1.2.4 多特征融合
- 将其他图像特征（纹理特征等）与边缘轮廓特征融合，提高鲁棒性
1.2.5 初始位姿获取
- 基于区域的方法
2. 显式提取边缘
- 方法：直接提取图像轮廓，与3D模型轮廓进行匹配，求解位姿
- 优点：鲁棒性更强
- 缺点：计算复杂度较高
二. 目标3D模型未知
1. 先重建3D模型，后求解位姿
- 拍摄多视角图像，利用序列图像对目标进行重建，然后求解位姿
2. SLAM
- 将目标模型参数与位姿参数的估计转化为SLAM问题（参考利用FastSLAM框架）