相机参数(内参、外参)+对极几何(基本矩阵、本质矩阵)+三维重建相关

用到对极几何的知识,补充一些基础。
相机模型参数:https://blog.csdn.net/Hee1234567890/article/details/80099878(这一篇足以)
对极几何:https://blog.csdn.net/lancelot_vim/article/details/51724330
https://www.cnblogs.com/jessica-jie/p/8085346.html
基本矩阵:https://www.cnblogs.com/yuanlibin/p/9462180.html

································································································
1-30号更新
在看三维重建,发现以前看的知识不牢靠,忘得差不多了,又把相机模型推了一遍,在得到相机参数之后可以进行双目三维重建,在理想状态下(两摄像机平行),由图像点可以估算三维坐标。非理想状态,需要先进行立体校正,先转换为理想状态,求得视差(需要两个摄像头的信息),有视差就可以求三维坐标的深度,再利用反投影矩阵Q,由图像点得到三维点。(但这仅用于双目摄像头,多目还不是这样)
参考文献:https://blog.csdn.net/qustqustjay/article/details/36453117
其中,在这里插入图片描述这部分的推导想了好久,具体双目深度与视差公式推导可以看这个:https://blog.csdn.net/wangxiaokun671903/article/details/38322771
这个也是公式推导
重投影矩阵Q:https://blog.csdn.net/xuelabizp/article/details/50476639
张正友标定法(简介):https://www.cnblogs.com/dverdon/p/5609124.html
单应性矩阵的理解及求解
单应性矩阵的理解及求解2


2-16号更新
旋转向量和旋转矩阵的互相转换(python cv2.Rodrigues()函数)
2D坐标系与3D坐标系的相互转换–python实现(在实际应用在单应性映射时,可以把Z设为0,不去考虑,P矩阵就变成3*3的了,具体可见上面关于单应性矩阵的理解。)


2-23号更新
在看《Learnable Triangulation of Human Pose》这篇文章时,对里面二维到三维的几何推导不甚了解,于是费了一番功夫查了下资料。
主要是从论文中的公式5开始看不太懂:

在这里插入图片描述
这里用的方法来自MVG那本书,没时间读的话可以看这个博客作了解:多视图几何学(Multiple View Geometry)读书笔记目录

  1. 论文中y用来表示3D关键点坐标(x,y,z),y~则是三维齐次坐标形式(x1,x2,x3,x4)T,它与非齐次坐标的关系是:
    在这里插入图片描述这样就可以理解为啥y~是四维坐标。
    参考资料:三维空间中的射影几何(一)(写得简略)
    计算机视觉中的数学方法——2空间射影几何——2.1 射影空间(写得详细)
    (其中三点确定一个平面可以推导下,一年没用都快忘了线性代数计算……)

  2. 另一个疑问是A的维度(2C,4)是怎么来的
    在这里插入图片描述文中说,A由全投影矩阵的一部分和关键点2D位置组成的矩阵,它其实就是表示不同视角的同一个三维映射点的约束关系:AY=0。“4”显而易见表示4维齐次坐标,“2C”是指每一个视角与三维世界存在一对对应点,每个对应点可以写成两个约束方程,那么如果有C个视角,则一共有2C的约束方程。
    总之,这个结果是由计算推导得到的,参考资料:
    单应矩阵估计这件小事(一)(先看二维)
    单应矩阵估计这件小事(二)(再看三维)
    上面这个链接也给出了文中所说 “overdetermined system of equations”,三维坐标的超定方程组的概念:
    在这里插入图片描述

  3. A的求解
    单应矩阵估计这件小事(一) 这里的DLT算法应该就是文中的A矩阵,按照文中的意思,后面用SVD解W*Ay=0这个齐次方程组,用的是这个 (这里可能不准确,以后再来更~)
    SVD分解 解齐次线性方程组
    SVD解线性方程组 方法,得到后V的最小特征值的那一列就是y的值。)

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页