solvepnp与solvePnPRansac求头部姿态之一：脸模尺度与位置

solvePnP与solvePnPRansac

据知乎 https://zhuanlan.zhihu.com/p/431617746 说法，RANSAC通过反复选择数据中的一组随机子集来达成目标。从而保证了稳定性，提高了精度。

不同scale的3D Model的稳定性问题

最近发现solvePnPRansac计算头部姿态时，3d model采用不同单位（mm，cm，m），即不同的scale，头部姿态会出现波动。以如下图片为例：

不同scale系数（1~1000）下solvePnPRansac计算出来的yaw角度会在60°附近波动；如果固定scale不动，重复计算1000次，计算出来的值是不变的，说明不是随机选的问题，还是跟scale相关的：

采用solvePnP求解速度会快很多，而且不会受scale的影响，但计算出来的值明显不大对，yaw才44度左右，与原图角度明显偏差较大：

print("solvePnP: ", t2 - t1, ", solvePnPRansac: ", t3 - t2)：

solvePnP: 0.4632143974304199 , solvePnPRansac: 3.5821871757507324

结论

1、大角度下solvePnPRansac还是比solvePnP准，但速度会慢很多。
2、为了保证结果准确性，在模型训练和部署的时候，要保证采用量纲的一致性。
3、此外把脸模放到工作位置（比如实际模特的位置在相机前70cm处，则把脸模也放在相机70cm处）上，也会取得更好的效果。