- 详解Oculus Rift的主动式光学定位技术

　　不过在实际验证中，发现如果这样提取图像，在头显运动时，还是会有错误出现（比如漏拍了几帧）， 那么它是如何判别的呢？这个花了我不少时间去想，最后发现这和汉明距离有关系。

　　所谓汉明距离，简单地说：如果数字是相同的，它们的汉明距离为0，如果他们在单一的比特不同，它们的距离为1，如果10比特它们彼此逐位否定，它们的汉明距离是10。我发现，DK2已经默认每个拍摄后的图像（提取40个LED灯表示的比特位）和前一帧最多的汉明距离是 3，如果大于这个数字，则认为是错误帧。

　　最后，给出几个比较有特点的LED的10帧图，大家可以看一下：

　　

　　| 感知姿态

　　前面谈了如何探测LED灯，我介绍了DK2的摄像机通过视频流捕获LED灯独特的闪烁模式，拼出10位二进制数来识别ID。

　　现在来谈如何感知姿态，你可能会很自然地想到，通过每10帧来识别LED，然后利用已知LED的位置来判断姿态。说实话，这个方法也可以，但是这就表示要间隔10个帧才能识别一次姿态，万一动作快一点，就出现麻烦了。

　　当然，要估计一个三维模型的姿态，需要足够的LED的信息，如果拍摄到的LED点不够，就必须使用DK2中的IMU来进行姿态的感知。另外，IMU本身也会累计误差。

　　DK2的算法其实是这样的：

　　1） 初始状态，先读取静止状态的头显，10帧的时间，识别每个LED的ID号；

　　2） 不断地拍摄，利用前面帧的信息，推测出现在的LED灯的位置；

　　3） 如果出现错误，就重新通过10帧的时间识别LED；

　　4） 如果有足够的LED灯信息，就使用识别算法；

　　5） 如果没有足够的LED灯的信息，就使用IMU识别姿态；

　　

　　

　　

　　三维姿态估计或已知物体相对于2D照相机的角度，求出该物体在相机坐标系的坐标值，称为PNP问题。在Oculus Rift中，感知头显的姿态是利用PnP算法，融合IMU实现的。Oculus Rift没有单纯的采用IMU进行姿态解算是因为IMU本身会产生漂移，无法在长时间内跟踪对象的绝对位置，因此必须外接3D参照系，PnP正可以提供这样一个参照系。说白了，就是要利用PnP来纠正IMU，最后融合成一组比较合理的姿态信息。

　　那么，什么是PnP算法？

　　3D姿态估计是一个多维非线性优化问题，摄像机拍摄图像中的一组2D点，例如提取的LED斑点的集合，可以尝试重建相对于相机的坐标模型的未知位置（X，Y，Z）和方向（偏航，俯仰，滚动）。

　　

　　说详细一点，在相机内参数巳知的情况，由特征点与其像点的对应关系求解目标相对于相机的位姿，就是经典的PnP 问题，这些算法大致可分为迭代算法和非迭代算法两类。

　　非迭代算法采用代数方法直接求出相对位姿，针对P3P 、P4P等问题推导出多种解析算法，该类算法具有运算量小、计算速度快等优点，但受误差影响大且精度不高。Lepetit 提出的一种计算量为O（n）的PnP问题非迭代算法，只需要4个点的信息就可以求解目标相对于相机的姿态信息， Oculus Rift正是利用这种算法实现的。

　　最后再向大家总结说明一下感知姿态的基本步骤：

　　1、发出同步信号，等待LED灯亮起后，提取收到的8位灰度视频帧明亮的斑点。

　　2、创造一种斑点颜色为亮绿色的8位RGB输出视频帧（用于调试/可视化的目的）。

　　3、匹配大致圆盘形的斑点，并与来自先前帧中的斑点进行比较，比较它们的尺寸差异到差分位解码器中，累积其10位ID和LED关联。排序所有提取或投射二维LED的位置到一个kd树，用在下一帧中快速匹配。

　　4、如果有四个或更多的识别斑点且没有当前姿势估计，运行从头计算姿态估计方法。

　　5、如果有四个或多个识别的斑点，且已经识别了先前帧的姿态，采用迭代姿态估计方法。

　　6、用姿态信息纠正IMU的漂移，并融合IMU的姿态信息。

　　以上介绍了Oculus Rift的实现过程。

　　Oculus Rift的主动式红外光学+IMU定位系统精度较高，抗遮挡性强。

　　由于其所用的摄像机具备很高的拍摄速率，并且该类系统总是能够得到标记点在当前空间的绝对位置坐标，所以不存在累积误差。但是由于摄像头视角有限，因此该产品的可用范围有限，会在很大程度上限制使用者的适用范围，因而无法使用Oculus Rift来玩需要走动等大范围活动的虚拟现实游戏。也因此，虽然Oculus Rift可以支持多个目标物同时定位，但是目标物不可过多，一般不超过两个。