Homography matrix（单应矩阵）简介

Homography Matrix（单应矩阵）简介

在之前的一篇博客ETH-UCY数据集里，提到H矩阵（homography matrix）的概念。该矩阵可以用于两个平面之间的映射。属于投影（projective group）变换。

因为本人水平有限难免有疏漏，欢迎大家批评指正。

Homogeneous Coordinates

在Homogeneous坐标体系下，一个二维坐标$\left[\begin{array}{c}x/w\\ y/w\end{array}\right]$可以被表示为一个三维的形式$\left[\begin{array}{c}x\\ y\\ w\end{array}\right]$。这边的举例使用的是二维坐标，但任意维都可以构建对应的homogeneous坐标系。

举个例子，二维坐标$\left[\begin{array}{c}2\\ 3\end{array}\right]$ 可以表示为$\left[\begin{array}{c}2\\ 3\\ 1\end{array}\right]$，也可以被表示为$\left[\begin{array}{c}4\\ 6\\ 2\end{array}\right]$。这两种三维表示在homogeneous坐标系下是一样的，可以理解为在它们处在由三维坐标系原点发出的同一条直线上。

homogeneous坐标系的作用此处就不详谈了。就提一点，使用该坐标系，可以用矩阵乘法的形式实现二维坐标的平移，而仅仅使用二维坐标系是无法通过矩阵乘法完成坐标平移的。而对于旋转，旋转在二维坐标系下可以通过矩阵乘法实现，在homogeneous坐标系下也可以。因此总结为一句话，通过homogeneous坐标系，我们可以完全通过矩阵的乘法，完成二维坐标的平移和旋转。

Homography

单应矩阵（homography matrix）之后就简称H矩阵。

上图是从课堂笔记扒的。H矩阵就可以完成左到右或者右到左的变换。任何同一平面的两张照片都可以使用H矩阵联系起来。

数学推导

那么我们要怎么求解H矩阵呢？本部分就是H矩阵的数学推导过程。

假设我们得到了一组对应点$\mathbf{x}=(x,y),{\mathbf{x}}^{\prime }=(x^{\prime },y^{\prime })$。可以理解为是同一个点在两张照片上的像素坐标，用H矩阵联系起来
$${\mathbf{x}}^{\prime }=\mathbf{Hx}$$
即
$$\left[\begin{array}{c}{x}^{\prime }\\ y^{\prime }\\ 1\end{array}\right]=[$$