【视觉SLAM】4a-特征点法估计相机运动之对极几何2D-2D

0. 前言

对极几何（Epipolar Geometry）描述了同一场景中两幅图像（2D-2D）间的几何关系，在图像匹配、三维重建等领域应用广泛。接下来看如何从已知两幅图像的匹配点对（2D像素点）中恢复相机运动。

1. 对极约束（Epipolar constraint）

上图所示为一个无噪声的理想情况。两帧图像$I_1$和$I_2$，相机光心为$O_1,O_2$，$P$为三维空间中的任意点，它在两像平面上的投影为$p_1,p_2$。我们的目标为求解相机由$O_1$运动到$O_2$位置的旋转矩阵$R$和平移向量$t$，有如下术语来描述它们之间的几何关系：

• 极平面（Epipolar plane）： 点$O_1,O_2,P$三点确定的平面；
• 极点（Epipoles）： $O_1{O}_2$连线与像平面$I_1,I_2$的交点$e_1,e_2$；
• 基线（Baseline）： $O_1{O}_2$连线；
• 极线（Epipolar line）： 极平面与两像平面的交线$l_1,l_2$。

接下来从数学角度推导它们之间的几何关系。令$P=[X,Y,Z{]}^T$表示其在第一帧相机坐标系下的三维坐标，则根据针孔相机模型可得$P$在两像平面上的投影点：

{ s 1 p 1 = K P s 2 p 2 = K ( R P + t ) ⇒ { s 1 K − 1 p 1 = P s 2 K − 1 p 2 = R P + t (1) \begin{cases} s_1p_1=KP \\ s_2p_2=K(RP+t) \end{cases} \Rightarrow \begin{cases} s_1K^{-1}p_1=P \\ s_2K^{-1}p_2=RP+t \end{cases} \tag{1} { s1​p1​=KPs2​p2​=K(RP+t)​⇒{ s1​K