相机矩阵

任何任何3×4投影矩阵P可以分解为3×3上三角形的乘积矩阵K和3×4姿态矩阵[R | T]

 

其中矩阵K通常被称为内在矩阵，它由相机本身的数量组成：垂直和水平焦距（fx，fy），主点（cx，cy）和偏斜s。该矩阵[R | T]通常被称为二元矩阵，其中R是相机的旋转，T是相机的平移。假设像素

没有偏差（s = 0），并且是平方（fx = fy）普通针孔相机型号是只是由7个参数组成：焦距f，旋转矩阵R和平移向量T

SFM (Strudtion from Motion):

 

SfM算法作为输入一组图像并产生两件事：每个图像的相机参数，一组在通常被编码的图像中可见的3D点轨道。 轨道被定义为重建的3D坐标3D点和相应的2D坐标列表输入图像的子集。 大多数当前最先进的SfM算法共享相同的基本进程流水线。

1检测每个输入图像中的2D特征。 2匹配图像之间的2D 3从匹配图像中构建2D轨道。

4从2D轨道解决SfM模型。
5使用约束调整优化SfM模型。

 5约束调整

细化初始SfM模型。 给定一套相机参数{Pi}，以及一组轨迹{Mj，{mji}}，其中Mj表示轨道的3D坐标，mj我表示2D图像其图像投影在第i台相机的坐标，束调整最小化以下非线性最小二乘误差

 

V（j）是可见点Mj的相机索引的列表，Pi（Mj）表示相机中3D pointMj的投影2D图像坐标我使用相机参数Pi。E（P，M）通常以平方像素测量。

E（P，M）通常以平方像素测量，但更常见度量来表达估计的准确性是使用均方根误差或RMSE，以像素为单位进行测量定义为：

其中N是在（1.2）中总结的剩余项数。约束调整之前的典型RMSE值为顺序几个像素，而约束调整后的值通常是子像素。

多视图立体匹配

当相机参数已知（和场景）时是刚性的），从2D搜索简化了图像匹配问题到1D搜索。图像中的像素生成a通过像素和相机中心的3D光线图片。另一个图像上的相应像素只能在其上将该光线投影到第二图像中。不同的多个相机看起来的几何约束来自不同观点的相同的3D场景被称为对极几何[88]。

 

转载于:https://www.cnblogs.com/yuan328/p/6842072.html