本质矩阵E的内在性质证明

本质矩阵E的内在性质证明

在学习高博的视觉SLAM十四讲时,学习到了对极约束,其中的本质矩阵(Essential Matrix)E的奇异值必定是 [ σ , σ , 0 ] ⊤ [\sigma,\sigma,0]^\top [σ,σ,0]的形式,这被称为本质矩阵的内在性质

下面给出E的内在性质的手写证明:

证明过程中用到了:

  • 反对称矩阵的性质
  • 任意矩阵加减 K K K倍单位矩阵后,特征值也 ± K \pm K ±K

在这里插入图片描述
补充一步:
对于矩阵A,若 A ⊤ A^\top A的特征值为 ( α 1 , α 2 , α 3 ) ⊤ (\alpha_1, \alpha_2, \alpha_3)^\top (α1,α2,α3),则矩阵 A A A的奇异值为: ( α 1 , α 2 , α 3 ) ⊤ (\sqrt\alpha_1, \sqrt\alpha_2, \sqrt\alpha_3)^\top (α 1,α 2,α 3)

  • 10
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
本质矩阵估计是计算机视觉中的一个重要问题,也是三维重建和相机运动估计的基础。本质矩阵描述了两个相机之间的几何关系,可以用于恢复相机的运动和场景的结构。在Matlab中,可以使用一些函数来进行本质矩阵的估计。 在Matlab中,可以使用`estimateEssentialMatrix`函数估计本质矩阵。这个函数需要输入匹配的点对以及相机内参,然后可以得到估计的本质矩阵。 首先,需要提取图像中的特征点,可以使用`detectSURFFeatures`或其他特征点提取函数。然后可以使用`matchFeatures`函数将两个图像的特征点进行匹配。 接下来,需要使用`estimateFundamentalMatrix`函数估计基础矩阵。基础矩阵描述了两个图像间的几何关系,本质矩阵可以从基础矩阵中恢复出来。`estimateFundamentalMatrix`函数需要输入匹配的点对,然后可以得到估计的基础矩阵。 最后,可以使用`estimateEssentialMatrix`函数将估计的基础矩阵和相机内参(可以通过`cameraParameters`函数获取)进行综合,得到本质矩阵。 需要注意的是,由于图像匹配的不准确性和误匹配的存在,估计的本质矩阵可能存在一定的误差。因此,在实际应用中,需要进行一定的误差控制和精确性评估。 总之,在Matlab中,可以使用`estimateEssentialMatrix`函数进行本质矩阵的估计。这个函数的使用需要先进行特征点提取和匹配,然后使用估计的基础矩阵和相机内参进行综合,得到本质矩阵

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值