不過在實際驗證中，發現如果這樣提取圖像，在頭顯運動時，還是會有錯誤出現（比如漏拍了幾幀）， 那么它是如何判別的呢？這個花了我不少時間去想，最后發現這和漢明距離有關系。

　　所謂漢明距離，簡單地說：如果數字是相同的，它們的漢明距離為0，如果他們在單一的比特不同，它們的距離為1，如果10比特它們彼此逐位否定，它們的漢明距離是10。我發現，DK2已經默認每個拍攝后的圖像（提取40個LED燈表示的比特位）和前一幀最多的漢明距離是 3，如果大于這個數字，則認為是錯誤幀。

　　最后，給出幾個比較有特點的LED的10幀圖，大家可以看一下：

　　| 感知姿態

　　前面談了如何探測LED燈，我介紹了DK2的攝像機通過視頻流捕獲LED燈獨特的閃爍模式，拼出10位二進制數來識別ID。

　　現在來談如何感知姿態，你可能會很自然地想到，通過每10幀來識別LED，然后利用已知LED的位置來判斷姿態。說實話，這個方法也可以，但是這就表示要間隔10個幀才能識別一次姿態，萬一動作快一點，就出現麻煩了。

　　當然，要估計一個三維模型的姿態，需要足夠的LED的信息，如果拍攝到的LED點不夠，就必須使用DK2中的IMU來進行姿態的感知。另外，IMU本身也會累計誤差。

　　DK2的算法其實是這樣的：

　　1） 初始狀態，先讀取靜止狀態的頭顯，10幀的時間，識別每個LED的ID號；

　　2） 不斷地拍攝，利用前面幀的信息，推測出現在的LED燈的位置；

　　3） 如果出現錯誤，就重新通過10幀的時間識別LED；

　　4） 如果有足夠的LED燈信息，就使用識別算法；

　　5） 如果沒有足夠的LED燈的信息，就使用IMU識別姿態；

　　三維姿態估計或已知物體相對于2D照相機的角度，求出該物體在相機坐標系的坐標值，稱為PNP問題。在Oculus Rift中，感知頭顯的姿態是利用PnP算法，融合IMU實現的。Oculus Rift沒有單純的采用IMU進行姿態解算是因為IMU本身會產生漂移，無法在長時間內跟蹤對象的絕對位置，因此必須外接3D參照系，PnP正可以提供這樣一個參照系。說白了，就是要利用PnP來糾正IMU，最后融合成一組比較合理的姿態信息。

　　那么，什么是PnP算法？

　　3D姿態估計是一個多維非線性優化問題，攝像機拍攝圖像中的一組2D點，例如提取的LED斑點的集合，可以嘗試重建相對于相機的坐標模型的未知位置（X，Y，Z）和方向（偏航，俯仰，滾動）。

　　說詳細一點，在相機內參數巳知的情況，由特征點與其像點的對應關系求解目標相對于相機的位姿，就是經典的PnP 問題，這些算法大致可分為迭代算法和非迭代算法兩類。

　　非迭代算法采用代數方法直接求出相對位姿，針對P3P 、P4P等問題推導出多種解析算法，該類算法具有運算量小、計算速度快等優點，但受誤差影響大且精度不高。Lepetit 提出的一種計算量為O（n）的PnP問題非迭代算法，只需要4個點的信息就可以求解目標相對于相機的姿態信息， Oculus Rift正是利用這種算法實現的。

　　最后再向大家總結說明一下感知姿態的基本步驟：

　　1、發出同步信號，等待LED燈亮起后，提取收到的8位灰度視頻幀明亮的斑點。

　　2、創造一種斑點顏色為亮綠色的8位RGB輸出視頻幀（用于調試/可視化的目的）。

　　3、匹配大致圓盤形的斑點，并與來自先前幀中的斑點進行比較，比較它們的尺寸差異到差分位解碼器中，累積其10位ID和LED關聯。排序所有提取或投射二維LED的位置到一個kd樹，用在下一幀中快速匹配。

　　4、如果有四個或更多的識別斑點且沒有當前姿勢估計，運行從頭計算姿態估計方法。

　　5、如果有四個或多個識別的斑點，且已經識別了先前幀的姿態，采用迭代姿態估計方法。

　　6、用姿態信息糾正IMU的漂移，并融合IMU的姿態信息。

　　以上介紹了Oculus Rift的實現過程。

　　Oculus Rift的主動式紅外光學+IMU定位系統精度較高，抗遮擋性強。

　　由于其所用的攝像機具備很高的拍攝速率，并且該類系統總是能夠得到標記點在當前空間的絕對位置坐標，所以不存在累積誤差。但是由于攝像頭視角有限，因此該產品的可用范圍有限，會在很大程度上限制使用者的適用范圍，因而無法使用Oculus Rift來玩需要走動等大范圍活動的虛擬現實游戲。也因此，雖然Oculus Rift可以支持多個目標物同時定位，但是目標物不可過多，一般不超過兩個。