在之前的章節中我們獲得了同名像點從而恢復相片的姿態，接下來就該輪到vslam前端中最後一部分————計算三維點座標（三角化），並通過三維座標預測姿態（PnP）。
一、三角化
在單目slam中僅通過單張圖像無法獲得像素的深度信息，所以我們需要通過三角測量（Triangulation）的方法來估計地圖的深度。一般情況是當我們得到兩個視圖的一組匹配點，我們希望能恢復出世界點在三維世界的座標。
這裏介紹一個線性三角形法：
在已知了兩張圖像的姿態後我們能建立以下等式
x=PX；
x′=P′X；
然後使用DLT算法整理可得AX = 0（一對點可得到4行方程）
這裏相當於解一個線性最小二乘問題。方程的解爲A的最小奇異值對應的單位奇異矢量。
而三角化存在一個矛盾：
圖像平移越大，三角化的精度越高；平移越小，匹配效果越好；
二、PnP
PnP是求解3D到2D點對運動的方法。直接點說它是在已知3D空間點座標與對應2D圖像投影座標的情況下，恢復圖像姿態。在vslam中，在初始化獲得了一系列3D點後，我們就可以使用PnP來估計後續姿態。相比於對極幾何估計姿態，PnP方法需要更少的點對（3個以上），不需要對極約束，並且PnP方法可以避免尺度的問題。
這裏介紹一個線性PnP算法：
一個點對（3D點X及其投影2D點x座標）可以建立x=PX（在這裏P是未知）；
P爲11個自由度矩陣，故有6對點對使用DLT建立方程就可解得P；
當然PnP算法是一個大類，上面所講只是一個概念的展示，想要深入的瞭解可以查找P3P，EPnP、UPnP。。。
三、ICP
ICP是求解3D到3D點的位姿估計問題。實際上是我們知道在兩個相機座標系下同一地圖點的兩個座標，則可以建立一個歐式變換：
同PnP解法一樣也存在線性解法（DLT、SVD）與非線性優化解法，這裏就不再贅述了。