视觉SLAM十四讲作业练习（5）对极几何

最新推荐文章于 2024-05-16 08:19:51 发布

花舞の街道

最新推荐文章于 2024-05-16 08:19:51 发布

阅读量339

点赞数

分类专栏：视觉SLAM 文章标签：计算机视觉几何学 c++

本文链接：https://blog.csdn.net/ASUNAchan/article/details/124773384

版权

视觉SLAM 专栏收录该内容

18 篇文章 9 订阅

订阅专栏

对极几何(2D-2D)

（1）对极约束理论推导(几何方法)

请添加图片描述

两帧图像，从蓝色到绿色的运动为 R 与 t ，设两个坐标系 O 与 O’ ，在 O 坐标系下点 X 在归一化平面的坐标为 x ，在 O’ 坐标系下 X 在归一化平面的坐标为 x’ 。目的是将第一个坐标系下的坐标转换到第二个坐标系下的在坐标，即用 O‘ 坐标系来描述 O 坐标系下的点。所以计算的 R 是 $R_{O'O}$ 和 $t_{O'O}$ ，所以图上的 t 方向是由 O‘ 指向 O 。

由三角形上的向量关系可得：
$\cdot(t \times x)=0$
矩阵形式：
$x'\;^T (t\times R\;x)=x'\;^T t^\Lambda R\;x=0$
关键点便在于 $R\;x$ 这里，原因：x是 O坐标系下的坐标，需要转换到 O‘ 坐标系下，所以左乘 R。

此时得到本质矩阵E：
$=t^\Lambda R$
算了基础矩阵F就先不推导了，总之先记住：
$F=K^{-T}EK^{-1}$
且
$x_2^T Ex_1 = p_2^TFp_1 = 0$
其中， $x_1$ ， $x_2$ 为归一化平面上的点， $p_1$ ， $p_2$ 为像素平面上的点。

本质矩阵E可以通过奇异值分解得到相机运动的R与t。

主程序:

验证对极约束

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/calib3d/calib3d.hpp>

using namespace std;
using namespace cv;

/****************************************************
 * 本程序演示了如何使用2D-2D的特征匹配估计相机运动
 * **************************************************/

void find_feature_matches(
    const Mat &img_1, const Mat &img_2,
    std::vector<KeyPoint> &keypoints_1,
    std::vector<KeyPoint> &keypoints_2,
    std::vector<DMatch> &matches);
void pose_estimation_2d2d(
    std::vector<KeyPoint> keypoints_1,
    std::vector<KeyPoint> keypoints_2,
    std::vector<DMatch> matches,
    Mat &R, Mat &t);
// 像素坐标转相机归一化坐标
Point2d pixel2cam(const Point2d &p, const Mat &K);

int main(int argc, char **argv) 
{

    //-- 1.读取图像
    Mat img_1 = imread("../1.png");
    Mat img_2 = imread("../2.png");

    vector<KeyPoint> keypoints_1, keypoints_2;
    vector<DMatch> matches;
    find_feature_matches(img_1, img_2, keypoints_1, keypoints_2, matches);
    cout << "一共找到了" << matches.size() << "组匹配点" << endl;

    //-- 2.估计两张图像间运动
    Mat R, t;
    pose_estimation_2d2d(keypoints_1, keypoints_2, matches, R, t);

    //-- 3.验证E=t^R*scale
    Mat t_x =
      (Mat_<double>(3, 3) << 0, -t.at<double>(2, 0), t.at<double>(1, 0),
      t.at<double>(2, 0), 0, -t.at<double>(0, 0),
      -t.at<double>(1, 0), t.at<double>(0, 0), 0);

    cout << "t^R=" << endl << t_x * R << endl;

    //-- 4.验证对极约束
    Mat K = (Mat_<double>(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);
    for (DMatch m: matches) 
    {
      Point2d pt1 = pixel2cam(keypoints_1[m.queryIdx].pt, K);
      Mat y1 = (Mat_<double>(3, 1) << pt1.x, pt1.y, 1);
      Point2d pt2 = pixel2cam(keypoints_2[m.trainIdx].pt, K);
      Mat y2 = (Mat_<double>(3, 1) << pt2.x, pt2.y, 1);
      Mat d = y2.t() * t_x * R * y1;
      cout << "epipolar constraint = " << d << endl;
    }
    return 0;
}

像素坐标转相机归一化坐标

Point2d pixel2cam(const Point2d &p, const Mat &K) {
  return Point2d
    (
      (p.x - K.at<double>(0, 2)) / K.at<double>(0, 0),
      (p.y - K.at<double>(1, 2)) / K.at<double>(1, 1)
    );
}

靠，怎么归一化的啊。。。。

求本质矩阵E，基本矩阵F，R以及t：

void pose_estimation_2d2d(std::vector<KeyPoint> keypoints_1,
                          std::vector<KeyPoint> keypoints_2,
                          std::vector<DMatch> matches,
                          Mat &R, Mat &t) 
{
  // 相机内参,TUM Freiburg2
  Mat K = (Mat_<double>(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);

  //-- 把匹配点转换为vector<Point2f>的形式
  vector<Point2f> points1;
  vector<Point2f> points2;

  for (int i = 0; i < (int) matches.size(); i++) {
    points1.push_back(keypoints_1[matches[i].queryIdx].pt);
    points2.push_back(keypoints_2[matches[i].trainIdx].pt);
  }

  //-- 计算基础矩阵
  Mat fundamental_matrix;
  fundamental_matrix = findFundamentalMat(points1, points2, -FM_8POINT);
  cout << "fundamental_matrix is " << endl << fundamental_matrix << endl;

  //-- 计算本质矩阵
  Point2d principal_point(325.1, 249.7);  //相机光心, TUM dataset标定值
  double focal_length = 521;      //相机焦距, TUM dataset标定值
  Mat essential_matrix;
  essential_matrix = findEssentialMat(points1, points2, focal_length, principal_point);
  cout << "essential_matrix is " << endl << essential_matrix << endl;

  //-- 计算单应矩阵
  //-- 但是本例中场景不是平面，单应矩阵意义不大
  Mat homography_matrix;
  homography_matrix = findHomography(points1, points2, RANSAC, 3);
  cout << "homography_matrix is " << endl << homography_matrix << endl;

  //-- 从本质矩阵中恢复旋转和平移信息.
  // 此函数仅在Opencv3中提供
  recoverPose(essential_matrix, points1, points2, R, t, focal_length, principal_point);
  cout << "R is " << endl << R << endl;
  cout << "t is " << endl << t << endl;

}

（2）作业3 从E恢复R，t

#include <Eigen/Core>
#include <Eigen/Dense>
#include <Eigen/Geometry>

using namespace Eigen;

#include <sophus/so3.hpp>

#include <iostream>

using namespace std;

int main(int argc, char **argv) {
    // Essential matrix
    Matrix3d E;
    E << -0.0203618550523477, -0.4007110038118445, -0.03324074249824097,
            0.3939270778216369, -0.03506401846698079, 0.5857110303721015,
            -0.006788487241438284, -0.5815434272915686, -0.01438258684486258;

    // R,t to be recovered
    Matrix3d R;
    Vector3d t;

    // SVD and fix sigular values
    // 1.定义一个SVD分解
    JacobiSVD<Matrix3d> svd (E, ComputeFullV | ComputeFullU);
    Matrix3d U = svd.matrixU();
    Matrix3d V = svd.matrixV();
    Vector3d singular_values = svd.singularValues();
    
    // 2.处理奇异值
    double singular_value = (singular_values[0] + singular_values[1]) / 2;
    singular_values = Vector3d(singular_value, singular_value, 0);
    DiagonalMatrix<double,3> sigma (singular_values);	//得到diag()矩阵

    // set t1, t2, R1, R2 
    // 3.四个可能的解
    Matrix3d Rz1 = AngleAxisd(M_PI/2, Vector3d(0,0,1)).toRotationMatrix();
    Matrix3d Rz2 = AngleAxisd(-M_PI/2, Eigen::Vector3d(0,0,1)).toRotationMatrix();

    Matrix3d t_wedge1 = U * Rz1 * sigma * U.transpose(); 
    Matrix3d t_wedge2 = U * Rz2 * sigma * U.transpose();
    
    Matrix3d R1 = U * Rz1.transpose() * V.transpose();
    Matrix3d R2 = U * Rz2.transpose() * V.transpose();

    cout << "R1 = " << R1 << endl;
    cout << "R2 = " << R2 << endl;
    cout << "t1 = " << Sophus::SO3d::vee(t_wedge1) << endl;
    cout << "t2 = " << Sophus::SO3d::vee(t_wedge2) << endl;

    // check t^R=E up to scale
    Matrix3d tR = t_wedge1 * R1;
    cout << "t^R = " << tR << endl;

    return 0;
}

（3）三角测量

具体求解算法参见《SLAM–三角测量SVD分解法、最小二乘法及R t矩阵的判断》http://t.csdn.cn/YFbBb

主程序

int main(int argc, char **argv) {
  //-- 1.读取图像
  Mat img_1 = imread("../1.png");
  Mat img_2 = imread("../2.png");

  //-- 2.匹配
  vector<KeyPoint> keypoints_1, keypoints_2;
  vector<DMatch> matches;
  find_feature_matches(img_1, img_2, keypoints_1, keypoints_2, matches);
  cout << "一共找到了" << matches.size() << "组匹配点" << endl;

  //-- 3.估计两张图像间运动
  Mat R, t;
  pose_estimation_2d2d(keypoints_1, keypoints_2, matches, R, t);	//得到R，t

  //-- 4.三角化
  vector<Point3d> points;
  triangulation(keypoints_1, keypoints_2, matches, R, t, points);

  //-- 5.验证三角化点与特征点的重投影关系
  Mat K = (Mat_<double>(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);
  Mat img1_plot = img_1.clone();
  Mat img2_plot = img_2.clone();
  for (int i = 0; i < matches.size(); i++) {
    // 第一个图
    float depth1 = points[i].z;
    cout << "depth: " << depth1 << endl;
    Point2d pt1_cam = pixel2cam(keypoints_1[matches[i].queryIdx].pt, K);
    cv::circle(img1_plot, keypoints_1[matches[i].queryIdx].pt, 2, get_color(depth1), 2);

    // 第二个图
    Mat pt2_trans = R * (Mat_<double>(3, 1) << points[i].x, points[i].y, points[i].z) + t;
    float depth2 = pt2_trans.at<double>(2, 0);
    cv::circle(img2_plot, keypoints_2[matches[i].trainIdx].pt, 2, get_color(depth2), 2);
  }
  cv::imshow("img 1", img1_plot);
  cv::imshow("img 2", img2_plot);
  cv::waitKey();

  return 0;
}

通过匹配及对极几何得到R，t求得T1，T2；K，两个相机坐标系下归一化的点pts，使用cv内置函数：cv::triangulatePoints(T1, T2, pts_1, pts_2, pts_4d);求得pst_4d然后转换成齐次坐标得到 p 点。

void triangulation(
  const vector<KeyPoint> &keypoint_1,
  const vector<KeyPoint> &keypoint_2,
  const std::vector<DMatch> &matches,
  const Mat &R, const Mat &t,
  vector<Point3d> &points) {
  Mat T1 = (Mat_<float>(3, 4) <<
    1, 0, 0, 0,
    0, 1, 0, 0,
    0, 0, 1, 0);
  Mat T2 = (Mat_<float>(3, 4) <<
    R.at<double>(0, 0), R.at<double>(0, 1), R.at<double>(0, 2), t.at<double>(0, 0),
    R.at<double>(1, 0), R.at<double>(1, 1), R.at<double>(1, 2), t.at<double>(1, 0),
    R.at<double>(2, 0), R.at<double>(2, 1), R.at<double>(2, 2), t.at<double>(2, 0)
  );

  Mat K = (Mat_<double>(3, 3) << 520.9, 0, 325.1, 0, 521.0, 249.7, 0, 0, 1);
  vector<Point2f> pts_1, pts_2;
  for (DMatch m:matches) {
    // 将像素坐标转换至相机坐标
    pts_1.push_back(pixel2cam(keypoint_1[m.queryIdx].pt, K));
    pts_2.push_back(pixel2cam(keypoint_2[m.trainIdx].pt, K));
  }

  Mat pts_4d;
  cv::triangulatePoints(T1, T2, pts_1, pts_2, pts_4d);

  // 转换成非齐次坐标
  for (int i = 0; i < pts_4d.cols; i++) {
    Mat x = pts_4d.col(i);
    x /= x.at<float>(3, 0); // 归一化
    Point3d p(
      x.at<float>(0, 0),
      x.at<float>(1, 0),
      x.at<float>(2, 0)
    );
    points.push_back(p);
  }
}

花舞の街道

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
视觉SLAM十四讲作业练习（5）对极几何

对极几何(2D-2D)（1）对极约束理论推导(几何方法)两帧图像，从蓝色到绿色的运动为 R 与 t ，设两个坐标系 O 与 O’ ，在 O 坐标系下点 X 在归一化平面的坐标为 x ，在 O’ 坐标系下 X 在归一化平面的坐标为 x’ 。目的是将第一个坐标系下的坐标转换到第二个坐标系下的在坐标，即用 O‘ 坐标系来描述 O 坐标系下的点。所以计算的 R 是 RO′OR_{O'O}RO′O 和tO′Ot_{O'O}tO′O，所以图上的 t 方向是由 O‘ 指向 O 。由三角形上的向量关系可得：x
复制链接

扫一扫