在上图中， 0 \bold{0} 0 和 t \bold{t} t 是左右两个相机。 而 e 1 e_{1} e1， e 2 e_{2} e2 分别是右边相机在左边相机的投影，和左边相机在右边相机的投影，i.e. epipoles。红色点表示三维空间中的一个点，它在左、右相机上的投影分别是 p p p 、 q q q 点。 p p p 、 q q q 点在各自的 epipolar lines上。epipolar lines 必定过对应的 epipoles。好了，以上是对上图的基本介绍，下面进入正题，来回答 Why Rank of Fundamental Matrix is 2
简短地回答：因为 epipoles 必定落在 epipolar lines上。
下面先说明fundamental matrix 是秩亏的：
注：下面文中，
x
l
x_l
xl ,
x
r
x_r
xr ,
e
l
e_l
el ,
e
r
e_r
er 分别与上图中
p
p
p ,
q
q
q ,
e
1
e_1
e1,
e
2
e_2
e2 对应。
一个 fundamental matrix 由方程
x
r
T
F
x
l
=
0
x_r^T F x_l = 0
xrTFxl=0 确定。那么右相机平面的 epipolar line
l
′
=
F
x
l
l^{'}= F x_l
l′=Fxl 。而右 epipole 位于直线
l
′
=
F
x
l
l^{'}= F x_l
l′=Fxl 上，故 对所有的
x
l
x_l
xl，有
e
r
T
l
′
=
0
e_r^Tl^{'} = 0
erTl′=0 或
e
r
T
F
x
l
=
0
e_r^TF x_l = 0
erTFxl=0 成立
故
e
r
T
F
=
0
e_r^TF = \bold{0}
erTF=0
同理可证
F
e
l
=
0
Fe_l = \bold{0}
Fel=0
因此
F
F
F 的零空间中不只有零向量。故
F
F
F 秩亏。
下面进一步证明
为什么
F
F
F 的秩是2，是因为
F
F
F 是从 Essential Matrix 构建得到的：
F
=
(
K
r
−
1
)
T
E
K
l
−
1
(1)
F = (K_{r}^{-1})^{T}EK_{l}^{-1} \tag{1}
F=(Kr−1)TEKl−1(1)
其中
K
r
K_r
Kr 、
K
l
K_l
Kl 是两个相机的内参。
E
=
[
T
×
]
R
(2)
E=[T_{\times}]R \tag{2}
E=[T×]R(2)
其中，
[
T
×
]
=
[
0
−
t
z
t
y
t
z
0
−
t
x
−
t
y
t
x
0
]
[T_{\times}]=\begin{bmatrix} 0&-t_{z}&t_{y}\\ t_{z}&0&-t_{x}\\ -t_{y}&t_{x}&0\\ \end{bmatrix}
[T×]=⎣⎡0tz−ty−tz0txty−tx0⎦⎤
R
R
R 是左右相机坐标系之间的旋转。根据反对称矩阵的性质，有
[
T
×
]
[T_{\times}]
[T×] 秩为
2
2
2。或者观察矩阵
[
T
×
]
[T_{\times}]
[T×] ，它的某一列是另外两列的线性组合，但是某两列之间是线性无关的。另一方面，旋转矩阵是正交矩阵，故
R
R
R 满秩，为 3。
从式（2）得， E E E 秩为2，从式（1）得， F F F秩为2。为什么和满秩矩阵相乘不改变矩阵的秩，因为满秩矩阵可以写成若干个初等矩阵的乘积。而另一方面，对某个矩阵乘上一个初等矩阵，相当于对其做相应的初等变换，初等变换不改变矩阵的秩。
参考Quora回答 Why is the fundamental matrix in computer vision rank 2?
8250
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
