SLAM入门之视觉里程计(5)：单应矩阵

在之前的博文OpenCV，计算两幅图像的单应矩阵，介绍调用OpenCV中的函数，通过4对对应的点的坐标计算两个图像之间单应矩阵$H$，然后调用射影变换函数，将一幅图像变换到另一幅图像的视角中。当时只是知道通过单应矩阵，能够将图像1中的像素坐标$(u_1,v_1)$变换到图像2中对应的位置上$(u_2,v_2)$，而没有深究其中的变换关系。

单应(Homography)是射影几何中的概念，又称为射影变换。它把一个射影平面上的点(三维齐次矢量)映射到另一个射影平面上，并且把直线映射为直线，具有保线性质。总的来说，单应是关于三维齐次矢量的一种线性变换，可以用一个$3\times3$的非奇异矩阵$H$表示

$$x_1 = Hx_2$$
这是一个齐次坐标的等式， $H$乘以一个非零的比例因子上述等式仍然成立，即 $H$是一个 $3\times3$齐次矩阵，具有8个未知量。

假设已经取得了两图像之间的单应，则可单应矩阵$H$可以将两幅图像关联起来

$$\left(\begin{array}{c}u_1\\v_1\\1\end{array}\right) = H\left(\begin{array}{c}u_2\\v_2\\1\end{array}\right)$$
其中， $(u_1,v_1,1)^T$表示图像1中的像点， $(u_2,v_2,1)^T$是图像2中的像点，也就是可以通过单应矩阵 $H$将图像2变换到图像1，如下图。这有了很多实际的应用，例如图像的校正、对齐以及在SLAM中估计两个相机间的运动。

同一相机在不同的位姿得到同一平面的图像

假设使用同一相机在不同的位姿拍摄同一平面，如下图：

上图表示场景中的平面$\pi$在两相机的成像，设平面$\pi$在第一个相机坐标系下的单位法向量为$N$，其到第一个相机中心（坐标原点）的距离为$d$，则平面$\pi$可表示为：

$$N^TX_1 = d$$
即
$$\frac{1}{d}N^TX_1 = 1,\forall X_1 \in \pi$$
其中， $X_1$是三维点 $P$在第一相机坐标系下的坐标，其在第二个相机坐标系下的坐标为 $X_2$，则
$$X_2 = RX_1 + T$$
将上面式子结合起来，

X2=RX1+T1dNTX1=(R+T1dNT)X1=H′X1