现有的3dBox的检测算法
大部分都是直接回归pose
a)将3D模型遍历姿态参数，投影到2D，进行HOG特征匹配；
b)将3D模型遍历姿态参数，投影到2D，进行shape匹配；
c)ＣＮＮ直接回归pose参数
d)ＣＮＮ关键点检测，然后pnp求解姿态
DeepManta
图文将文章的算法将的清清楚楚！
输入图片，经过三个共享参数的卷积模块获得关键点，可见性，2D框，模板相似度。接下来将以上这些几何送入NMS，去掉冗余的部分，然后选择用模板相似度选择最匹配的模板，通过关键点（2D/3D关键点pnp)求解3Dbox;
3D Bounding Box Estimation Using Deep Learning and Geometry，CVPR，2017
回归方向角及dimension、2Dbox
利用相机内参、3D-2D透视变换约束求解Ｒ、Ｔ(
关于3Dbox，我们用以下的符号进行表示:
然后，我们有以下限制：
假设物体坐标系的原点位于3D边界框的中心并且物体尺寸D是已知的，则3D边界框顶点的坐标可以简单地通过X1 = [dx/2; dy/2; dz/2]T , X2 = [-dx/2; dy/2; dz/2]T , … ,X8 = [-dx/2; -dy/2; -dz/2]T 进行描述。3D边界框紧密地投影到2D检测窗口中的这种约束要求2D边界框的每一侧被至少一个3Dbox的corner的投影连接。举个例子，假设3D corner X0 = [dx/2; -dy/2; dz/2]T 用坐标xmin触摸2D边界框的左侧。这种点对边的对应约束导致了以下等式
其中（.）x是指透视投影的x坐标。可以为剩余的2Dbox side参数xmax ; ymin; ymax .导出类似的方程。总的来说，2D边界框的边在3D边界框上提供了四个约束。 这不足以约束九个自由度（DoF）（三个用于平移，三个用于旋转，三个用于盒子尺寸）。 我们可以从盒子的视觉外观估计出几种不同的几何属性，以进一步约束3Dbox。 主要标准是它们应与视觉外观紧密联系，并进一步限制最终的3D box。
这个3D限制有点复杂，太难讲清楚了
设计精巧之处：
