在上篇相机模型中介绍了图像的成像过程,场景中的三维点通过“小孔”映射到二维的图像平面,可以使用下面公式描述:
x=MX
其中,
c
是图像中的像点,
通过小孔相机模型,可知假如从像点
设
很显然,一对匹配的像点之间存在这某种约束关系,这种约束被称为 两视图的对极约束。
本文主要介绍了两视图的对极约束-基础矩阵,并用几何和代数两种形式推导基础矩阵的表达形式以及从基础矩阵可以分解出相机的位姿(旋转和平移)。
对极几何
对极几何描述的是两视图之间的内存射影关系,同一个三维点在两个不同的视角下的像点存在着约束关系,如下图三维点 X 在两幅图像的像点分分别为
对极几何主要涉及以下几个元素:
- 基线(Baseline),两个相机中心的连线 CC′ 称为基线
- 对极点 epipolar , e,e′ 是对极点,是基线和两个成像平面的交点,也就是两个相机在另一个成像平面的像点; e 是右边的相机中心
C′ 在左边相机的像点,同样 e′ 是左边相机中心 C 在右边相机的像点。 - 对极平面 epipolar plane,任何过基线的平面都被才称为对极平面,两个相机的中心
C 和 C′ ,三维点 X ,以及其在两个相机的像点x,x′ ,这5点必定在同一个对极平面上。当三维点 X 变化时,对极平面绕着基线旋转,形成对极平面束。 - 对极线 epipolar line ,对极平面和成像平面的交线,所有的对极线相交于极点。
从上面的几何元素可知,对极几何和相机的内参、外参没有关系,和场景的结构也没有关系,仅和场景的一对匹配的像点有关系。
基础矩阵F
给定一对图像(同一场景不同视角得到的图像),从上面的图可知,对于第一幅图像上的任一像点
x→l′
基础矩阵 F 表示的就是这种从点到直线的映射。
F的几何推导
该推导来自《计算机视觉中的多视图几何》。
要将一幅图像上的像点