单视图几何Vanish Point(消失点/灭点)计算方法——Robert_T_Collins(罗伯特·柯林斯)算法

算法基本思想如下:

1)将每条直线的端点e1,e2,写成齐次坐标的形式e1=(x1_i,y1_i,w),e2=(x1_i,y1_i,w);则点的欧式坐标为(x1_i/w,y1_i/w),(x2_i/w,y2_i/w);常数w通常取1,当取0时,即代表该点处于无穷远处,这在欧式坐标里表示需要无穷远的符号。

2)将直线表示为其两个端点的叉乘的齐次坐标向量(说明白点就是,两个点齐次坐标的叉乘为过这两个点直线的齐次坐标方向向量),即一条直线可由两个点的叉乘表示。即直线

L1=(a_i,b_i,c_i)=e1 X e2;结果向量只是通过两个端点的平面直线的方程a_i x + b_i y + c_i = 0的参数

3)如果只有两条直线,L1和L2,两条直线的交点可由直线向量的叉乘表示,即V=L1 X L2

对V进行缩放,使最后一个坐标为1,即(Vx,Vy,1),Vx和Vy作为图像中的消失点。然而,最好将消失点保留为齐次坐标向量,因为消失点可能离图像很远,甚至在无穷远处(在这种情况下,V的第三个分量是0,当您尝试缩放时,会得到除以0的结果)。

4)但如果有n条直线求交点,L1,L2,...,Ln,按照下面的方法,您可以获得“最佳拟合”消失点。

4-1)形成3×3的“二阶矩”矩阵M为

                       [a_i*a_i        a_i*b_i        a_i*c_i]

        M=sum   [a_i*b_i        b_i*b_i        c_i*b_i]

                       [a_i*c_i        b_i*c_i        c_i*c_i]

其中取i = 1到n的和。注意,M是对称矩阵。

4-2)对M矩阵进行特征值分解。使用雅可比方法执行M的特征分解。

4-3)与最小特征值相关联的特征向量是消失点的齐次坐标向量。

一个建议:如果你只是直接使用图像像素坐标,数值差异过大时,求解出来精度可能会很差。哈特利有一篇关于这个主题的好论文,题目类似“In defense of the Eight-point algorithm”如果你的线条在整个图像中展开,可以通过下面的操作得到他提到的那种条件良好的方法。

第一步:通过(-imageX/2,-imageY/2)进行平移,使(0,0)位于图像的中心[哈特利论文的方法会以线端点的质心为原点]。

第二步:缩放坐标,使所有像点齐次坐标的大小大致为1 [Hartley在他的论文中详细介绍了如何做到这一点]。我曾经通过设置常数w来近似地做到这一点,在这个算法的第一步中提到,它等于图像大小的一半(以像素为单位)。所以如果你有一个256x256的图像,那么你会有w = 128。如果图像的宽度和高度不一样,就取平均值什么的,然后除以二。

下面为代码实现:

Vec3d RobertColins(vector<Point2d> vecLinePoints,int cols,int rows)
{
	Vec3d vanishPoint;
	int size = vecLinePoints.size();
	//防止坐标点差异过大造成求解精度下降,进行偏移
	int offset = (cols + rows) / 4;
	//这里直线端点,以两个点为一组代表一条直线
	//因此size必为偶数
	//得出各条直线的方向向量
	vector <Vec3d> Lines;
	for (int i = 0; i < size/2; i++)
	{
		Vec3d startPoint, endPoint;
		startPoint[0] = (vecLinePoints[2 * i].x-offset)/offset;
		startPoint[1] = (vecLinePoints[2 * i].y-offset)/offset;
		startPoint[2] = 1;
		endPoint[0] = (vecLinePoints[2 * i + 1].x - offset)/offset;
		endPoint[1] = (vecLinePoints[2 * i + 1].y - offset)/offset;
		endPoint[2] = 1;
		//两个点坐标向量的叉乘等于,过该两点的直线齐次坐标向量
		Lines.push_back(startPoint.cross(endPoint));
	}
	/*声明一个Mat M形成3×3的“二阶矩”矩阵M为
	        [a_i*a_i        a_i*b_i        a_i*c_i]
	M = sum [a_i*b_i        b_i*b_i        c_i*b_i]
		    [a_i*c_i        b_i*c_i        c_i*c_i]
	其中取i = 1到n的和。注意,M是对称矩阵。*/
	Mat M = (Mat_<double>(3, 3)<<0,0,0,0,0,0,0,0,0);
	for (int i = 0; i < size / 2; i++)
	{
		Mat tempM = (Mat_<double>(3, 3));
		tempM.at<double>(0, 0) = Lines[i][0] * Lines[i][0];
		tempM.at<double>(0, 1) = Lines[i][0] * Lines[i][1];
		tempM.at<double>(0, 2) = Lines[i][0] * Lines[i][2];

		tempM.at<double>(1, 0) = Lines[i][1] * Lines[i][0];
		tempM.at<double>(1, 1) = Lines[i][1] * Lines[i][1];
		tempM.at<double>(1, 2) = Lines[i][1] * Lines[i][2];

		tempM.at<double>(2, 0) = Lines[i][2] * Lines[i][0];
		tempM.at<double>(2, 1) = Lines[i][2] * Lines[i][1];
		tempM.at<double>(2, 2) = Lines[i][2] * Lines[i][2];

		M = M + tempM;
	}
	//对M矩阵进行特征值分解
	Mat eigenvector = (Mat_<double>(3, 3));
	Mat eigenvalue = (Mat_<double>(3, 1));
	eigen(M, eigenvalue, eigenvector);
	vanishPoint[0] = eigenvector.at<double>(0, 2)*(1 / (eigenvector.at<double>(0, 2))) + offset;
	vanishPoint[1] = eigenvector.at<double>(1, 2)*(1 / (eigenvector.at<double>(0, 2))) + offset;
	vanishPoint[2] = 1;
	return vanishPoint;
}

代码算出来的结果,好像还有点问题,后续接着测试,总体思路没有问题。

 

评论 10
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

beyond951

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值