1. 参考文献
【1】https://blog.csdn.net/electech6/article/details/83818218?spm=1001.2014.3001.5502
2. 推导过程
2.1 从一张图开始
首先是下面这幅经典的图,从图中可以看出
(1)世界中三维坐标点P,投影在相机C0下,得到点p0;如果单从p0出发,是无法得到点P的实际位置,整条C0P线上的点都会投影落在p0点处。
(2)从相机C1看,直线C0P上的点都会投影落到极线上,如果此时已知p1的位置,在没有误差的情况下,就可以确定空间点P的具体位置。
(3)C0PC1三点共面。
(4)由于三点共面,所以有:
C
0
P
⋅
(
C
0
C
1
×
C
1
P
)
=
0
C_0P \cdot (C_0C_1 \times C_1P) = 0
C0P⋅(C0C1×C1P)=0
2.2 统一坐标系表达
假设,P点在C0坐标系下坐标 [ X , Y , Z ] T [X,Y,Z]^T [X,Y,Z]T,p0点图像像素坐标 [ u 0 , v 0 , 1 ] T [u_0,v_0,1]^T [u0,v0,1]T。坐标系C0和坐标系C1之间的变换用R和t矩阵表示。
根据相机模型有:
s
0
⋅
p
0
=
K
P
s_0 \cdot p_0 = KP
s0⋅p0=KP
展开可得:
[
s
0
u
s
0
v
s
0
]
=
[
f
x
0
c
x
0
f
y
c
y
0
0
1
]
[
X
Y
Z
]
\left[ \begin{matrix} s_0 u \\ s_0 v \\ s_0 \end{matrix} \right] = \left[ \begin{matrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{matrix} \right] \left[ \begin{matrix} X \\ Y \\ Z \end{matrix} \right]
⎣⎡s0us0vs0⎦⎤=⎣⎡fx000fy0cxcy1⎦⎤⎣⎡XYZ⎦⎤
求解得到:
X
=
s
0
f
x
(
u
−
c
x
)
Y
=
s
0
f
y
(
v
−
c
y
)
Z
=
s
0
\begin{aligned} X &= \frac{s_0}{f_x}(u-c_x) \\ Y &= \frac{s_0}{f_y}(v-c_y) \\ Z &= s_0 \end{aligned}
XYZ=fxs0(u−cx)=fys0(v−cy)=s0
从上式可以看出:
(1)
s
0
s_0
s0可以类似地看作这个向量的长度,
(2)剩下的部分可以类似地看作
C
0
P
C_0P
C0P向量的方向,这里的方向是表达在C0坐标系下。
(3)后续的过程仅仅用
C
0
P
C_0P
C0P的方向,因此取
s
0
=
1
s_0=1
s0=1,将上述求解过程记作:
C
0
P
=
K
−
1
p
0
C_0P=K^{-1}p_0
C0P=K−1p0
同理,可以将
C
1
P
C_1P
C1P向量方向表达成类似形式,同时考虑将该方向向量表达在C_0坐标系下,因此有:
C
1
P
=
R
K
−
1
p
1
C_1P=RK^{-1}p_1
C1P=RK−1p1
上式中R矩阵的作用就是贱向量
C
1
P
C_1P
C1P旋转到坐标系C0下。
接着利用前述三点共面的表达式
C
0
P
⋅
(
C
0
C
1
×
C
1
P
)
=
0
C_0P \cdot (C_0C_1 \times C_1P) = 0
C0P⋅(C0C1×C1P)=0
将前文求解的公式分别代入可得:
p
0
T
K
−
T
t
∧
R
K
−
1
p
1
=
0
p^T_0K^{-T}t^{\land}RK^{-1}p_1=0
p0TK−Tt∧RK−1p1=0
中间部分就是基础矩阵,最中间部分是本质矩阵。