SFM总结（二）

现在把以前做的一些项目整理一下，算法代码巩固一下，想交流技术的朋友，qq:861045644，人在北京，欢迎骚扰。

这一部分是，已知：1.两张照片的同名点对；2.两个相机的P矩阵。

核心思想：两张照片上的同名点（图像上的点），共同描述实际物体一点（世界坐标系同一个点）

故：首先，我们分别在一幅照片找构建空间点与照片点的关系

        其次，用空间点为同一点连接两个方程

即可求出空间点坐标。

算法：

一。获得AX=0

x=PX     (x是图像中一点，X是空间一点，P矩阵是相机内参和外参构成3X4)

x`=PX`(第二张照片)

x（x,y,1）与PX叉乘 ---->

x(P^{3 t}X)-P^{1 t}X=0（1）

y(P^{3 t}X)-P^2tX=0（2）

x(P^{2 t}X)- yP^1tX=0 （3） 

三个方程，方程（1）（2）是独立的。

提出X得到------>AX=0,

              x(P^{3 t})- P^1t

A=           y(P^{3 t})- P^2t

                      x`(P`^{2 t})- y`P`^1t

                    ^{y`(P`3 t)- P`2t}

二。求解X

容易知道，X是（X,Y,Z,1）,并且A是4X4矩阵，现在面临方程数比未知数多一个的局面。

现在有两种方法来应对这种情况

（1）SVD分解

SVD(Singular Value Decomposition)

我们在线性代数中学习过，对方阵进行分解，那就是对角化，对称阵更加特殊（特征向量的特征值正交），但是书里面没讲面对非方阵该怎么办。

SVD 就是解决非方阵矩阵的。

SVD分解过程，多视图几何和网上有些博客对于U是mXm 还是mXn不一样，我也没有弄明白。

但是SVD分解的结果，是x的值等于v的最后一列的值（不要忘了第四个数要为1）

math::Matrix<double,4,4> V;

math::matrix_svd<double,4,4>(A,nullptr,nullptr,&V);

math::Vector<double,4> x=V.col(3);

x[0]/=x[3];

x[1]/=x[3];

x[2]/=x[3];

x[1],x[2],x[3]就是空间的坐标。