计算机视觉——基础矩阵

一、外极几何原理

为了解释基础矩阵，我们要先了解一下外极几何的相关知识。
提到对极几何，一定是对二幅图像而言，对极几何实际上是“两幅图像之间的对极几何”，它是图像平面与以基线为轴的平面束的交的几何（这里的基线是指连接摄像机中心的直线），以下图为例：对极几何描述的是左右两幅图像(点x和x’对应的图像)与以CC’为轴的平面束的交的几何！

八点估算法

基本矩阵是由该方程定义的
$$X^{\prime T}Fx=0$$
其中x↔x′是两幅图像的任意一对匹配点。由于每一组点的匹配提供了计算F系数的一个线性方程，当给定至少7个点（3×3的齐次矩阵减去一个尺度，以及一个秩为2的约束），方程就可以计算出未知的F。我们记点的坐标为x=(x,y,1)T，x′=(x′,y′,1)T
又F为：

则：

即相应方程式为

求解上面的方程组就可以得到基础矩阵各个元素了。当然这只是理想中的情况，由于噪声、数值的舍入误差和错误的匹配点的影响，仅仅求解上面的线性方程组得到的基础矩阵非常的不稳定，在实际计算中，可以直接用ATA的分解来求解参数。也可以用非线性优化，通过搜索f使得||Af||最小化,同时满足||f||=1的约束，上述求解后的F不一定能满足秩为2的约束，因此还要在F基础上加以约束。
通过SVD分解可以解决，令F=UΣVT，又因为要秩为2，所以这里取最后一个元素设置为0，则

二、实验分析

实验源码：

# coding: utf-8
from PIL import Image
from numpy import *
from pylab import *
import numpy as np
from PCV.geometry import homography, camera, sfm
from PCV.localdescriptors import sift

camera = reload(camera)
homography = reload(homography)
sfm = reload(sfm)
sift = reload(sift)

# 提取特征
im1 = array(Image.open('C:/Users/13799/PycharmProjects/untitled1/pic1/20.jpg'))
sift.process_image('C:/Users/13799/PycharmProjects/untitled1/pic1/20.jpg', 'im1.sift')

im2 = array(Image.<