三维坐标系之间的转换关系详解与推导

最新推荐文章于 2024-09-17 16:33:03 发布
最新推荐文章于 2024-09-17 16:33:03 发布
阅读量2w 收藏 88
点赞数 14
分类专栏： 位姿测量 文章标签： 算法 机器学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Reign_Man/article/details/111469313
版权

文章目录


前言

三维坐标系之间的转换关系：R(旋转矩阵) 、T（平移矩阵）

  在大地测量、工程测量、摄影测量等领域中，坐标系之间的转换是必不可少的。空间坐标转换的实质是用公共点的２套坐标和非公共点的１套坐标推估非公共点的另１套坐标。

  坐标转换过程通常分２步，先由公共点坐标解算转换参数，再由转换参数转换非公共点。转换参数通常分为旋转、平移和尺度参数，其中旋转参数的确定是坐标转换的核心。

  传统的三维坐标转换模型是用３个旋转角作为旋转参数，建立的模型是非线性的，常需要用泰勒级数展开的方法将模型线性化，计算比较繁杂。

  在小角度旋转情况下，可对旋转矩阵作近似处理，得到线性模型，如常用的布尔莎模型。

  针对大旋角的坐标转换问题，多采用罗德里格矩阵表示旋转矩阵的坐标转换方法，仅有３个旋转参数，计算过程无需线性化，且能适用大旋角转换。

50%

数学模型描述

布尔莎模型:前提是旋转角为微小旋转角

设矩阵 A 为 A 坐标系下公共点的三维坐标，矩阵B为B坐标系下公共点的三维坐标。由三维坐标转换模型可得，A、B 两坐标系的三维坐标转换方程如下所示：
[ x y z ] B = [ Δ x Δ y Δ z ] + ( 1 + k ) R [ x y z ] A (1) \left[\begin{array}{l}x \\ y \\ z\end{array}\right]_{B}=\left[\begin{array}{l}\Delta x \\ \Delta y \\ \Delta z\end{array}\right]+(1+k) \boldsymbol{R}\left[\begin{array}{l}x \\ y \\ z\end{array}\right]_{A}\tag{1} ⎣⎡​xyz​⎦⎤​B​=⎣⎡​ΔxΔyΔz​⎦⎤​+(1+k)R⎣⎡​xyz​⎦⎤​A​(1)
式中： Δ x 、 Δ y 、 Δ z Δx、Δy、Δz Δx、Δy、Δz 表示坐标原点的平移量， k k k 为尺度因子， R R R 为 A 站位到 B 站位的旋转矩阵。为了对坐标转换精度进行分析，将三维坐标转换模型作如下简化:
[ x y z ] B = k [ x y z ] A + [ 0 − ε z ε y ε z 0 − ε x − ε y ε x 0 ] ⋅ [ x y z ] A + [ Δ x Δ y Δ z ] (2) \left[\begin{array}{c}x \\ y \\ z\end{array}\right]_{B}=k\left[\begin{array}{c}x \\ y \\ z\end{array}\right]_{A}+\left[\begin{array}{ccc}0 & -\varepsilon_{z} & \varepsilon_{y} \\ \varepsilon_{z} & 0 & -\varepsilon_{x} \\ -\varepsilon_{y} & \varepsilon_{x} & 0\end{array}\right] \cdot\left[\begin{array}{l}x \\ y \\ z\end{array}\right]_{A}+\left[\begin{array}{c}\Delta x \\ \Delta y \\ \Delta z\end{array}\right] \tag{2} ⎣⎡​xyz​⎦⎤​B​=k⎣⎡​xyz​⎦⎤​A​+⎣⎡​0εz​−εy​​−εz​0εx​​εy​−εx​0​⎦⎤​⋅⎣⎡​xyz​⎦⎤​A​+⎣⎡​ΔxΔyΔz​⎦⎤​(2)
应注意到，式(2)中 ε x 、 ε y 、 ε z ε_x 、ε_y 、ε_z εx​、εy​、εz​ 均为微小角，则$sin{x} = x ,cos{x}=1 $因此，应在利用坐标转换模型前通过初步的坐标系转换得到一组转站参数的初值，使 A、B 两坐标系之间的转换满足微小角近似。式(2)可进一步写成：
[ x y z ] B = [ 1 0 0 0 z − y x 0 1 0 − z 0 x y 0 0 1 y − x 0 z ] A ⋅ [ Δ x Δ y Δ z ε x ε y ε z k ] (3) \left[\begin{array}{l}x \\ y \\ z\end{array}\right]_{B}=\left[\begin{array}{lllllll}1 & 0 & 0 & 0 & z & -y & x \\ 0 & 1 & 0 & -z & 0 & x & y \\ 0 & 0 & 1 & y & -x & 0 & z\end{array}\right]_{A} \cdot\left[\begin{array}{l}\Delta x \\ \Delta y \\ \Delta z \\ \varepsilon_{x} \\ \varepsilon_{y} \\ \varepsilon_{z} \\ k\end{array}\right] \tag{3} ⎣⎡​xyz​⎦⎤​B​=⎣⎡​100​010​001​0−zy​z0−x​−yx0​xyz​⎦⎤​A​⋅⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡​ΔxΔyΔzεx​εy​εz​k​⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤​(3)
根据式(3)，可将 n 个公共点的坐标转换写为$ B=AX$ 的形式，其中：
A = ( 1 0 0 0 z 1 − y 1 x 1 0 1 0 − z 1 0 x 1 y 1 0 0 1 y 1 − x 1 0 z 1 1 0 0 0 z 2 − y 2 x 2 0 1 0 − z 2 0 x 2 y 2 0 0 1 y 2 − x 2 0 z 2 1 0 0 0 z n − y n x n 0 1 0 − z n 0 x n y n 0 0 1 y n − x n 0 z n ) A (4) \boldsymbol{A}=\left(\begin{array}{ccccccc}1 & 0 & 0 & 0 & z_{1} & -y_{1} & x_{1} \\ 0 & 1 & 0 & -z_{1} & 0 & x_{1} & y_{1} \\ 0 & 0 & 1 & y_{1} & -x_{1} & 0 & z_{1} \\ 1 & 0 & 0 & 0 & z_{2} & -y_{2} & x_{2} \\ 0 & 1 & 0 & -z_{2} & 0 & x_{2} & y_{2} \\ 0 & 0 & 1 & y_{2} & -x_{2} & 0 & z_{2} \\ 1 & 0 & 0 & 0 & z_{n} & -y_{n} & x_{n} \\ 0 & 1 & 0 & -z_{n} & 0 & x_{n} & y_{n} \\ 0 & 0 & 1 & y_{n} & -x_{n} & 0 & z_{n}\end{array}\right)_{A} \tag{4} A=⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛​100100100​010010010​001001001​0−z1​y1​0−z2​y2​0−zn​yn​​z1​0−x1​z2​0−x2​zn​0−xn​​−y1​x1​0−y2​x2​0−yn​xn​0​x1​y1​z1​x2​y2​z2​xn​yn​zn​​⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞​A​(4)
利用最小二乘法对转换参数进行参数估计，可得转换参数 X X X 的估值为:
X = ( A T Q − 1 A ) − 1 A T Q B (5) \boldsymbol{X}=\left(\boldsymbol{A}^{\mathrm{T}} \boldsymbol{Q}^{-1} \boldsymbol{A}\right)^{-1} \boldsymbol{A}^{\mathrm{T}} \boldsymbol{Q} \boldsymbol{B}\tag{5} X=(ATQ−1A)−1ATQB(5)
式中： Q Q Q 为B 坐标系下$ n$ 个公共点坐标测量误差的协方差矩阵,则得转换参数方差阵为：
Q x = ( A T Q − 1 A ) − 1 = [ q 11 q 12 ⋯ q 17 q 21 q 22 ⋯ q 27 ⋮ q 71 q 72 ⋯ q 77 ] (6) \boldsymbol{Q}_{x}=\left(\boldsymbol{A}^{\mathrm{T}} \boldsymbol{Q}^{-1} \boldsymbol{A}\right)^{-1}=\left[\begin{array}{cccc}q_{11} & q_{12} & \cdots & q_{17} \\ q_{21} & q_{22} & \cdots & q_{27} \\ & & \vdots & \\ q_{71} & q_{72} & \cdots & q_{77}\end{array}\right]\tag{6} Qx​=(ATQ−1A)−1=⎣⎢⎢⎢⎡​q11​q21​q71​​q12​q22​q72​​⋯⋯⋮⋯​q17​q27​q77​​⎦⎥⎥⎥⎤​(6)
对于空间任意一点 P P P，其坐标转换误差方差阵为:
Q P = B P Q x B P T = [ q x x q x y q x z q y x q y y q y z q z x q z y q z z ] \boldsymbol{Q}_{P}=\boldsymbol{B}_{P} \boldsymbol{Q}_{x} \boldsymbol{B}_{P}^{\mathrm{T}}=\left[\begin{array}{lll}q_{x x} & q_{x y} & q_{x z} \\ q_{y x} & q_{y y} & q_{y z} \\ q_{z x} & q_{z y} & q_{z z}\end{array}\right] QP​=BP​Qx​BPT​=⎣⎡​qxx​qyx​qzx​​qxy​qyy​qzy​​qxz​qyz​qzz​​⎦⎤​

罗德里格矩阵模型

空间直角坐标系转换模型
[ X Y Z ] = λ R [ x y z ] + [ Δ X Δ Y Δ Z ] (1) \left[\begin{array}{l}X \\ Y \\ Z\end{array}\right]=\lambda \boldsymbol{R}\left[\begin{array}{l}x \\ y \\ z\end{array}\right]+\left[\begin{array}{l}\Delta X \\ \Delta Y \\ \Delta Z\end{array}\right] \tag{1} ⎣⎡​XYZ​⎦⎤​=λR⎣⎡​xyz​⎦⎤​+⎣⎡​ΔXΔYΔZ​⎦⎤​(1)
λ \lambda λ为尺度比例因子，假设其初值是１； R R R 为 3 × 3 3×3 3×3的旋转矩阵；

引入一个具有３个独立元素的反对称矩阵:
S = [ 0 − c − b c 0 − a b a 0 ] (2) S=\left[\begin{array}{rrr}0 & -c & -b \\ c & 0 & -a \\ b & a & 0\end{array}\right] \tag{2} S=⎣⎡​0cb​−c0a​−b−a0​⎦⎤​(2)
式中 $ a,b,c$ 相互独立，则罗德里格矩阵可由反对称矩阵构建为：
R = ( I + S ) ( I − S ) − 1 (3) R=(I+S)(I-S)^{-1} \tag{3} R=(I+S)(I−S)−1(3)
式中 R R R是个正交矩阵，其中 I I I 是 ３ 阶单位阵,将旋转矩阵 R R R 展开带入式（1）可解得平移矢量:
[ X i Y i Z i ] = λ 1 + a 2 + b 2 + c 2 [ 1 + a 2 − b 2 − c 2 − 2 a b − 2 c − 2 b + 2 a c 2 c − 2 a b 1 − a 2 + b 2 − c 2 − 2 a − 2 b c 2 a c + 2 b 2 a − 2 b c 1 − a 2 − b 2 + c 2 ] [ x i y i z i ] + [ Δ X Δ Y Δ Z ] (4) \left[\begin{array}{c}X_{i} \\ Y_{i} \\ Z_{i}\end{array}\right]=\frac{\lambda}{1+a^{2}+b^{2}+c^{2}}\left[\begin{array}{ccc}1+a^{2}-b^{2}-c^{2} & -2 a b-2 c & -2 b+2 a c \\ 2 c-2 a b & 1-a^{2}+b^{2}-c^{2} & -2 a-2 b c \\ 2 a c+2 b & 2 a-2 b c & 1-a^{2}-b^{2}+c^{2}\end{array}\right]\left[\begin{array}{c}x_{i} \\ y_{i} \\ z_{i}\end{array}\right]+\left[\begin{array}{c}\Delta X \\ \Delta Y \\ \Delta Z\end{array}\right]\tag{4} ⎣⎡​Xi​Yi​Zi​​⎦⎤​=1+a2+b2+c2λ​⎣⎡​1+a2−b2−c22c−2ab2ac+2b​−2ab−2c1−a2+b2−c22a−2bc​−2b+2ac−2a−2bc1−a2−b2+c2​⎦⎤​⎣⎡​xi​yi​zi​​⎦⎤​+⎣⎡​ΔXΔYΔZ​⎦⎤​(4)
式（4）中未知参数共有 ７ 个，即 $λ 、ａ 、 ｂ 、 ｃ 、 ΔＸ 、 Δ Ｙ 、 ΔＺ $，进行线性化处理得到误差方程：
v = A Δ x + l (5) \boldsymbol{v}=\boldsymbol{A} \Delta \boldsymbol{x}+\boldsymbol{l} \tag{5} v=AΔx+l(5)
对式（5）,利用最小二乘法可得到：
Δ x = ( A T P A ) − 1 ( A T P l ) (6) \boldsymbol{\Delta} \boldsymbol{x}=\left(\boldsymbol{A}^{\mathrm{T}} \boldsymbol{P} \boldsymbol{A}\right)^{-1}\left(\boldsymbol{A}^{\mathrm{T}} \boldsymbol{P} \boldsymbol{l}\right) \tag{6} Δx=(ATPA)−1(ATPl)(6)
式（6）中， P P P位单位矩阵；
A = [ ∂ X i ∂ λ ∂ X i ∂ a ∂ X i ∂ b ∂ X i ∂ c ∂ X i ∂ Δ X ∂ X i ∂ Δ Y ∂ X i ∂ Δ Z ∂ Y i ∂ λ ∂ Y i ∂ a ∂ Y i ∂ b ∂ Y i ∂ c ∂ Y i ∂ Δ X ∂ Y i ∂ Δ Y ∂ Y i ∂ Δ Z ∂ Z i ∂ λ ∂ Z i ∂ a ∂ Z i ∂ b ∂ Z i ∂ c ∂ Z i ∂ Δ X ∂ Z i ∂ Δ Y ∂ Z i ∂ Δ Z ] \boldsymbol{A}=\left[\begin{array}{ccccccc}\frac{\partial X_{i}}{\partial \lambda} & \frac{\partial X_{i}}{\partial a} & \frac{\partial X_{i}}{\partial b} & \frac{\partial X_{i}}{\partial c} & \frac{\partial X_{i}}{\partial \Delta X} & \frac{\partial X_{i}}{\partial \Delta Y} & \frac{\partial X_{i}}{\partial \Delta Z} \\ \frac{\partial Y_{i}}{\partial \lambda} & \frac{\partial Y_{i}}{\partial a} & \frac{\partial Y_{i}}{\partial b} & \frac{\partial Y_{i}}{\partial c} & \frac{\partial Y_{i}}{\partial \Delta X} & \frac{\partial Y_{i}}{\partial \Delta Y} & \frac{\partial Y_{i}}{\partial \Delta Z} \\ \frac{\partial Z_{i}}{\partial \lambda} & \frac{\partial Z_{i}}{\partial a} & \frac{\partial Z_{i}}{\partial b} & \frac{\partial Z_{i}}{\partial c} & \frac{\partial Z_{i}}{\partial \Delta X} & \frac{\partial Z_{i}}{\partial \Delta Y} & \frac{\partial Z_{i}}{\partial \Delta Z}\end{array}\right] A=⎣⎡​∂λ∂Xi​​∂λ∂Yi​​∂λ∂Zi​​​∂a∂Xi​​∂a∂Yi​​∂a∂Zi​​​∂b∂Xi​​∂b∂Yi​​∂b∂Zi​​​∂c∂Xi​​∂c∂Yi​​∂c∂Zi​​​∂ΔX∂Xi​​∂ΔX∂Yi​​∂ΔX∂Zi​​​∂ΔY∂Xi​​∂ΔY∂Yi​​∂ΔY∂Zi​​​∂ΔZ∂Xi​​∂ΔZ∂Yi​​∂ΔZ∂Zi​​​⎦⎤​

Δ x = [ Δ λ Δ a Δ b Δ c Δ X Δ Y Δ Z ] T \Delta \boldsymbol{x}=\left[\begin{array}{llllll}\Delta \lambda & \Delta a & \Delta b & \Delta c & \Delta X & \Delta Y & \Delta Z\end{array}\right]^{\mathrm{T}} Δx=[Δλ​Δa​Δb​Δc​ΔX​ΔY​ΔZ​]T

l = [ l 1 l 2 l 3 ] T \boldsymbol{l}=\left[\begin{array}{lll}l_{1} & l_{2} & l_{3}\end{array}\right]^{\mathrm{T}} l=[l1​​l2​​l3​​]T

转换参数求解

参数解算过程可分３步，先求尺度参数，再求旋转参数，最后求平移参数。 尺度参数可由２个公共点在不同坐标系 下的距离之比算出：
λ = ( X 2 − X 1 ) 2 + ( Y 2 − Y 1 ) 2 + ( Z 2 − Z 1 ) 2 ( x 2 − x 1 ) 2 + ( y 2 − y 1 ) 2 + ( z 2 − z 1 ) 2 \lambda=\frac{\sqrt{\left(X_{2}-X_{1}\right)^{2}+\left(Y_{2}-Y_{1}\right)^{2}+\left(Z_{2}-Z_{1}\right)^{2}}}{\sqrt{\left(x_{2}-x_{1}\right)^{2}+\left(y_{2}-y_{1}\right)^{2}+\left(z_{2}-z_{1}\right)^{2}}} λ=(x2​−x1​)2+(y2​−y1​)2+(z2​−z1​)2 ​(X2​−X1​)2+(Y2​−Y1​)2+(Z2​−Z1​)2 ​​
公共点较多时，可求出各点间多个距离比，再取平均值；

在解算旋转参数 $ａ,b，c $时，可以先消去平移参数，将２个公共点的坐标代入式（ 1）,分别按照式（1） 做差得:
[ X 2 − X 1 Y 2 − Y 1 Z 2 − Z 1 ] = λ R [ x 2 − x 1 y 2 − y 1 z 2 − z 1 ] \left[\begin{array}{l}X_{2}-X_{1} \\ Y_{2}-Y_{1} \\ Z_{2}-Z_{1}\end{array}\right]=\lambda \boldsymbol{R}\left[\begin{array}{l}x_{2}-x_{1} \\ y_{2}-y_{1} \\ z_{2}-z_{1}\end{array}\right] ⎣⎡​X2​−X1​Y2​−Y1​Z2​−Z1​​⎦⎤​=λR⎣⎡​x2​−x1​y2​−y1​z2​−z1​​⎦⎤​
联系式（2）式（3） 可得：
[ 0 λ z 21 + Z 21 λ y 21 + Y 21 λ z 21 + Z 21 0 − λ x 21 − X 21 − λ y 21 − Y 21 − λ x 21 − X 21 0 ] [ a b c ] = [ λ x 21 − X 21 λ y 21 − Y 21 λ z 21 − Z 21 ] \left[\begin{array}{ccc}0 & \lambda z_{21}+Z_{21} & \lambda y_{21}+Y_{21} \\ \lambda z_{21}+Z_{21} & 0 & -\lambda x_{21}-X_{21} \\ -\lambda y_{21}-Y_{21} & -\lambda x_{21}-X_{21} & 0\end{array}\right]\left[\begin{array}{l}a \\ b \\ c\end{array}\right]=\left[\begin{array}{l}\lambda x_{21}-X_{21} \\ \lambda y_{21}-Y_{21} \\ \lambda z_{21}-Z_{21}\end{array}\right] ⎣⎡​0λz21​+Z21​−λy21​−Y21​​λz21​+Z21​0−λx21​−X21​​λy21​+Y21​−λx21​−X21​0​⎦⎤​⎣⎡​abc​⎦⎤​=⎣⎡​λx21​−X21​λy21​−Y21​λz21​−Z21​​⎦⎤​
式中：
x 21 = x 2 − x 1 ; y 21 = y 2 − y 1 ; z 21 = z 2 − z 1 X 21 = X 2 − X 1 ; Y 21 = Y 2 − Y 1 ; Z 21 = Z 2 − Z 1 \begin{array}{l}x_{21}=x_{2}-x_{1} ; y_{21}=y_{2}-y_{1} ; z_{21}=z_{2}-z_{1} \\ X_{21}=X_{2}-X_{1} ; Y_{21}=Y_{2}-Y_{1} ; Z_{21}=Z_{2}-Z_{1}\end{array} x21​=x2​−x1​;y21​=y2​−y1​;z21​=z2​−z1​X21​=X2​−X1​;Y21​=Y2​−Y1​;Z21​=Z2​−Z1​​
这个方程组左边的系数矩阵为奇异阵，３个方程里仅有２个独立，需要至少２个这样的方程组才能解算出ａ，ｂ，ｃ，也就是至少需要 ３ 个公共点。 当有ｎ个公共点时，可列出（ n－１）个形如上式的方程 ，共有 3（n-1）个方程，其总误差方程为：
V = B 3 ( n − 1 ) × 3 X 3 × 1 − L 3 ( n − 1 ) × 3 V=\underset{3(n-1) \times 3}{B} \underset{3 \times 1}{X}-\underset{3(n-1) \times 3}{L} V=3(n−1)×3B​3×1X​−3(n−1)×3L​
式中：
B = [ 0 − λ z 21 − Z 21 − λ y 21 − Y 21 − λ z 21 − Z 21 0 λ x 21 + X 21 λ y 21 + Y 21 λ x 21 + X 21 0 ⋮ ⋮ ⋮ 0 − λ z n 1 − Z n 1 − λ y n 1 − Y n 1 − λ z n 1 − Z n 1 0 λ x n 1 + X n 1 λ y n 1 + Y n 1 λ x n 1 + X n 1 0 ] B=\left[\begin{array}{ccc}0 & -\lambda z_{21}-Z_{21} & -\lambda y_{21}-Y_{21} \\ -\lambda z_{21}-Z_{21} & 0 & \lambda x_{21}+X_{21} \\ \lambda y_{21}+Y_{21} & \lambda x_{21}+X_{21} & 0 \\ \vdots & \vdots & \vdots \\ 0 & -\lambda z_{n 1}-Z_{n 1} & -\lambda y_{n 1}-Y_{n 1} \\ -\lambda z_{n 1}-Z_{n 1} & 0 & \lambda x_{n 1}+X_{n 1} \\ \lambda y_{n 1}+Y_{n 1} & \lambda x_{n 1}+X_{n 1} & 0\end{array}\right] B=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎡​0−λz21​−Z21​λy21​+Y21​⋮0−λzn1​−Zn1​λyn1​+Yn1​​−λz21​−Z21​0λx21​+X21​⋮−λzn1​−Zn1​0λxn1​+Xn1​​−λy21​−Y21​λx21​+X21​0⋮−λyn1​−Yn1​λxn1​+Xn1​0​⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎤​

X = [ a , b , c ] T X=[a, b, c]^{\mathrm{T}} X=[a,b,c]T

L = [ X 21 − λ x 21 Y 21 − λ y 21 Z 21 − λ z 21 ⋯ X n 1 − λ x n 1 Y n 1 − λ y n 1 Z n 1 − λ z n 1 ] T \begin{array}{cccc}L= & {\left[X_{21}-\lambda x_{21}\right.} & Y_{21}-\lambda y_{21} & Z_{21}-\lambda z_{21} & \cdots \\ X_{n 1}-\lambda x_{n 1} & Y_{n 1}-\lambda y_{n 1} & \left.Z_{n 1}-\lambda z_{n 1}\right]^{\mathrm{T}}\end{array} L=Xn1​−λxn1​​[X21​−λx21​Yn1​−λyn1​​Y21​−λy21​Zn1​−λzn1​]T​Z21​−λz21​⋯

按最小二乘法间接平差原理求解未知数:
X = ( A T A ) − 1 A T L X=\left(A^{\mathrm{T}} A\right)^{-1} A^{\mathrm{T}} L X=(ATA)−1ATL
计算出 $ａ,b，c $后，即可求出旋转矩阵，然后按下式求解平移参数：
[ Δ X Δ Y Δ Z ] = [ X i Y i Z i ] − λ R [ x i y i z i ] \left[\begin{array}{l}\Delta X \\ \Delta Y \\ \Delta Z\end{array}\right]=\left[\begin{array}{l}X_{i} \\ Y_{i} \\ Z_{i}\end{array}\right]-\lambda R\left[\begin{array}{l}x_{i} \\ y_{i} \\ z_{i}\end{array}\right] ⎣⎡​ΔXΔYΔZ​⎦⎤​=⎣⎡​Xi​Yi​Zi​​⎦⎤​−λR⎣⎡​xi​yi​zi​​⎦⎤​

尺度相同:

  三维重建方法通常会自己估计相机的$R,T 矩 阵 ， 这 些 矩 阵 定 义 了 一 个 世 界 坐 标 系 ， 在 使 用 客 观 的 评 估 方 法 如 [ M i d d l e b u r y ] 来 评 估 精 度 时 ， 需 要 使 用 评 估 方 法 提 供 的 相 机 的 矩阵，这些矩阵定义了一个世界坐标系，在使用客观的评估方法如[Middlebury]来评估精度时，需要使用评估方法提供的相机的 矩阵，这些矩阵定义了一个世界坐标系，在使用客观的评估方法如[Middlebury]来评估精度时，需要使用评估方法提供的相机的R,T$矩阵，这些矩阵定义了另外一个世界坐标系，两者通常会有尺度、旋转、平移的差别，这就需要在坐标系之间进行转换。

  两个相同尺度的世界坐标系可以通过 R , T R,T R,T进行转换，计算转换关系需要知道双方 N N N个对应点的坐标，设为 A A A, B B B，则求解 B = R ∗ A + T B=R∗A+T B=R∗A+T即可。由于 N N N可能比较大，因此此方程通常为超定方程，可使用奇异值分解(Singular Value Decomposition (SVD))进行计算，其内部原理是最小二乘法。

对公共点坐标进行重心化处理:
c e n t r o i d A = 1 N ∑ i = 1 N ( A ) centroid_A =\frac{1}{N} ∑^N_{i=1}(A) centroidA​=N1​i=1∑N​(A)

c e n t r o i d B = 1 N ∑ i = 1 N ( B ) centroid_B =\frac{1}{N} ∑^N_{i=1}(B) centroidB​=N1​i=1∑N​(B)

求：
H = ∑ i = 1 N ( P A i − c e n t r o i d A ) ( P B i − c e n t r o i d B ) T H=∑^N_{i=1}(P^{i}_{A}−centroid_A)(P^i_B−centroid_B)^T H=i=1∑N​(PAi​−centroidA​)(PBi​−centroidB​)T

[ U , S , V ] = S V D ( H ) [U,S,V]=SVD(H) [U,S,V]=SVD(H)

R = V U T R=V U^T R=VUT

T = − R ∗ c e n t r o i d A + c e n t r o i d B T=−R∗centroid_A+centroid_B T=−R∗centroidA​+centroidB​

  其中 c e n t r o i d A centroid_A centroidA​和 c e n t r o i d B centroid_B centroidB​是 A , B A,B A,B的平均中心。

%计算平均中心点
  centroid_A = mean(A);
  centroid_B = mean(B);

  N = size(A,1);
  H = (A - repmat(centroid_A, N, 1))' * (B - repmat(centroid_B, N, 1));

  [U,S,V] = svd(H);

  R = V*U';
  if det(R) < 0
  	printf('Reflection detected\n');
  	V(:,3) = -1*V(:,3);
  	R = V*U';
  end

  t = -R*centroid_A' + centroid_B';
  detr=det(R)

存在的一些问题：

  转换模型精度与公共控制点的数量的关系值得探讨；目前坐标转换精度的评价方式通常是利用转站前后公共点坐标差值的均方根值来进行评价。该方法只能获得用于计算的公共点坐标转换精度，并不能得到空间中任意被测点的转换精度分布情况，对于提高整体测量精度以及改进公共点布设方案缺乏指导意义。

主要参考来源：

[1]. 刘猛奎, 赵明金, 石波, 等. 基于 RANSAC 的坐标系转换抗差算法研究[J]. 全球定位系统, 2019, 44(1): 39-47.

[2].韩梦泽, 李克昭. 基于罗德里格矩阵的空间坐标转换[J]. 测绘工程, 2016 (4): 25-27.

[3].张皓琳, 林嘉睿, 邾继贵. 三维坐标转换精度及其影响因素的研究[J]. 光电工程, 2012, 39(10): 26-31.

[4].https://proj.org/operations/transformations/index.html；

3D 坐标变换 公式 推导
Better Explained
01-23 6790
下面使用行向量： e1=(1,0,0) e2=(0,1,0) e3=(0,0,1) i, j, k是三个线性无关的向量，它们在e1,e2,e3坐标系下的坐标也记作i,j,k i’, j’, k’是三个线性无关的向量，它们在e1,e2,e3坐标系下的坐标也记作i’, j’, k’ denote⎡⎣⎢ijk⎤⎦⎥=A,⎡⎣⎢i′j′k′⎤⎦⎥=Bdenote \quad \begin{b
三维空间坐标的旋转算法详解_矩阵描述三维空间旋转
weixin_39953618的博客
02-11 4691
本节简单介绍用矩阵来描述旋转。在二维平面上，复数无疑是描述旋转的最佳工具；然而推广到三维空间中，却要动用到“四元数”了。为了证明四元数的相关结论，我们需要三维旋转的矩阵描述。最一般的旋转运动为：绕某一根轴旋转$\theta$角度。这样我们就需要三个参数来描述它：确定一根轴至少需要两个参数，确定角度需要一个参数。因此，如果要用“数”来描述三维空间的伸缩和旋转的话，“三元数”显然是不够的，完成这一目的...
原理详解_三点解算两个坐标系之间的旋转矩阵和平移向量
11-29
已知不共线的三点在两个坐标系下面的坐标，求解 两个坐标系的转换参数，精度可满足一般程度上的定位需求。步骤清楚，可直接上手code
用于两个立体坐标系间的转换
03-12
只是个matlab的小程序，分了；输入时参考里面的输入文件的格式！
3D 坐标系的基础概念、变换操作
weixin_42959900的博客
08-22 1207
3D 坐标系是用来描述三维空间中点或对象位置的系统。X 轴：通常表示左右方向（水平）。Y 轴：通常表示上下方向（垂直）。Z 轴：通常表示前后方向（深度）。在一个 3D 坐标系中，每个点的位置由一个三元组(x, y, z)来表示，分别表示该点在 X、Y 和 Z 轴上的位置。
三维空间绕任意轴旋转的连续旋转变换矩阵
最新发布
qq_55697246的博客
09-17 2778
首先，在左边直接乘以旋转矩阵R(θ)的情况下，无论坐标系如何旋转，跟着坐标系一同旋转的向量[a, b]‘用新的坐标系x'y'表示依然是[a, b]，即ax'+by'，而x'和y'分别等于R(θ)[1, 0]'和R(θ)[0, 1]'，那在原来坐标系xy-[1 0;#--------------------------------------------------------------题外话--------------------------------------------------------
三维坐标转换
热门推荐
Peng___Peng的博客
05-26 2万+
为了方便自己记忆，记录一下三维坐标旋转矩阵的推导过程。     坐标的旋转变换在很多地方都会用到，比如机器视觉中的摄像机标定、图像处理中的图像旋转、游戏编程等。     任何维的旋转可以表述为向量与合适尺寸的方阵的乘积。最终一个旋转等价于在另一个不同坐标系下对点位置的重新表述。坐标系旋转角度θ则等同于将目标点围绕坐标原点反方向旋转同样的角度θ。     若
三维坐标系之间的转换
weixin_39354845的博客
03-17 1201
坐标系之间的转换
三维坐标系转换
BZ_PP的博客
03-28 4999
三维坐标系转换
三维空间直角坐标系转换（1）
qq_36076137的博客
04-01 6415
前言：接上文，使用Python双目相机标定后，通过相机的内参数矩阵与外参数矩阵计算出以左相机为原点的三维空间坐标系的坐标，此时需要使用坐标系转换，将坐标转化为指定的坐标系下的坐标。 坐标转换我目前掌握了大概三种方法，好多人问坐标转换的方法，这里不再一一回复，使用几篇博客详细介绍。 1.七参数模型 首先我们介绍测绘中，最常用的坐标系转换方法——七参数模型。 这种方法把坐标系转换的未知数转化为1个缩放的尺度参数，3个平移的参数，3个旋转参数，具体原理不多解释了，大家上度娘吧。 注意：七参数模型的背景是
三维坐标系变换公式
lzp_k2的专栏
08-01 1万+
[含R的最终表达式]三维空间坐标系变换-旋转矩阵 https://blog.csdn.net/fireflychh/article/details/82352710 [旋转顺序zxy]三维坐标旋转矩阵 https://blog.csdn.net/lz20120808/article/details/50809397 ...
三维空间坐标转换
09-18
介绍三维中如何进行地理坐标与空间坐标之间的转换
三维坐标转换程序
08-15
三维坐标转换程序
三维坐标变换
07-03
清华大学出版，比较详细的一款三维坐标变换讲解。三维平移变换、比例变换可看成是二维情况的直接推广。但旋转变换则不然，因为我们可选取空间任意方向作旋转轴，因此三维变换处理起来更为复杂。与二维变换相似，我们也采用齐次坐标技术来描述空间的各点坐标及其变换，这时，描述空间三维变换的变换矩阵是4×4的形式。 由此，一系列变换可以用单个矩阵来表示。
三维图形变换详解：世界坐标系与OpenGL实现
每个物体都需要通过变换矩阵将其从局部坐标系转换到世界坐标系，以便计算物体间的相对位置。场景中的光照效果也需要在世界坐标系下定义。在三维图形绘制流程中，主要包括一系列的计算，如三维变换（平移、缩放、轴...
三维图形变换：从世界到屏幕坐标系详解
本资源主要探讨的是从世界坐标系到屏幕坐标系的三维图形变换过程，这是计算机图形学中的关键概念，特别是在实时渲染和图形处理中。三维图形变换包括了多个步骤，旨在将几何对象从其原始的三维空间位置调整到适合于...
【相机标定与三维重建原理及实现】学习笔记1——相机模型数学推导详解
weixin_43560489的博客
01-09 4690
目录前言一.小孔成像模型参考引用 前言 由于本人近期正在展开数字图像相关技术用于测量材料形变方向的研究，既然涉及到使用图像处理参与到测量或检测研究当中，就肯定避不开构建物空间上的任意一点与相机所拍摄到的图像上一点之间的数学关系及数学模型。之前有过标定经验的我只是单纯的使用别人封装好的函数，如今仔细推导过后才发现其中奥秘所在。我认为想要在一个技术上有所创新，最核心的还是能够将其学的透彻，我希望将自己作为一个初学者学习和推导该原理的过程记录下来，也方便之后每一个涉足该领域知识的人能更清晰更快的应用这些知识。
坐标系转换之三：欧拉角、四元数、旋转矩阵、方向余弦矩阵、旋转向量、轴角表示
落日之城
03-14 2万+
坐标转换有很多种方法，不同的领域有不同的使用习惯。 上两篇文章我们讲了旋转矩阵和欧拉角，可知欧拉角是可以由旋转矩阵转化而来。 那么怎么从欧拉角转化为旋转矩阵呢？欧拉角（Euler angles）与旋转矩阵（Rotation Matrix）假设坐标系1的欧拉角yaw（Azimuth）、pitch、roll的角度为α,β,γ\alpha, \beta,\gamma,可以由公式：R(α,β,γ)=Rz
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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