【论文阅读】Combining Two-view Constraints For Motion Estimation

Combining Two-viewConstraints For Motion Estimation

作者：Venu Madhav Govindu

出处：2001 CVPR

做了什么：使用两视图约束进行运动估计，提出了两种方法：线性拟合和直接估计

线性拟合怎么做的：

1.   分为两个阶段：旋转估计和运动估计

2.   旋转估计：

输入：N幅图像之间的相对旋转矩阵

输出：（N-1）个相对参考帧的全局旋转矩阵

要点：

• 估计N幅图像的全局旋转需要的相对旋转数量在至少是(N-1)个，但是实际上N幅图像能提供的相对旋转可以多达N(N-1)/2个；
• 由于噪声，组合约束（比如）并不严格成立，也就是估计的(N-1)个全局旋转矩阵彼此不严格一致（即 不严格成立）；
• 需要寻找(N-1)个能对相对旋转矩阵集合进行最佳拟合的全局旋转矩阵；
• 由于只需要求解(N-1)*4个未知量，却提供了至多N(N-1)/2*4个方程组，因此方程组往往高度冗余
• 无噪声时： ，有噪声时加入旋转误差（论文假设该误差的旋转方向服从均匀分布，旋转角服从高斯分布）： 。论文中接着推导出了如下等式（不知道怎么来的）： 。由于旋转矩阵有正交的约束，而直接求解的话这个约束不好施加，因此使用四元数表达旋转矩阵，等式 可以转化成：，其中的一一对应关系很明显，只是需要注意的是是个矩阵（我也不知道为什么是矩阵） 。联立求解所有的，就可以算出所有的（到底怎么算还是不懂）。论文说求解出的是最小二乘解（还是不知道为什么）。

3.   平移估计

输入：N幅图像之间的相对旋转矩阵

输出：N幅图像的平移

要点：

• 平移方向与相机的平移量之间有如下关系： （不知道为什么会有一个 ）
• 与旋转估计一样，平移估计也会受到噪声影响，由于 只表示方向，因此只能对平移方向的误差进行建模（而不能对平移量建模），带有误差的模型为： 。
• 
• 迭代计算过程：
  

线性拟合效果如何：

论文举了几个例子：

• 3D运动估计：先用八点算法算出帧之间的本质矩阵，然后分解本质矩阵得到相对旋转矩阵和平移方向向量，最后用上面的算法算出全局的旋转和平移。
• 相机内参和外参标定

（线性拟合没怎么看懂，主要是不知道旋转估计到底是怎么算的）

直接估计怎么做的：

利用对极约束建立目标函数：

由于不涉及结构的计算，所以能减少计算量。

直接估计效果如何：论文太老了，实验没看