视觉里程计中的运动估计2D到2D对极约束

         想象一下，你有两个摄像机或两张照片，它们都拍摄了同一个场景。对极约束告诉我们，如果我们知道图像中一个点的位置，那么在另一张图像中与之对应的点会在一条特定的直线上。这条直线被称为极线。对极约束的基本思想是，同一物体在不同图像中的投影点和视点之间存在一种特殊的关系，可以通过这种关系来匹配图像中的点。

用最详细的图来理解对极约束，极点，极线，极平面。可能会用到点在直线上的公式和叉乘。x1,x2物坐标，p1,p2像坐标。x1和x2之间的关系就是本质矩阵E，p1和p2之间的关系就是基础矩阵F，因为相机内参K已知，因此往往求E。。叉乘的矩阵表达形式。E为3*3的矩阵，有9个未知数，但是E在不同尺度下是等价的，因此用八点法（8个匹配点对）求解。

以下是对极约束的应用：

1. 立体匹配：对极约束可以帮助在立体视觉系统中找到两幅图像之间的对应点，从而实现立体匹配。通过利用对极约束，可以减少搜索对应点的范围，提高匹配效率和准确性。

2. 三维重建：在多视图几何中，对极约束可以用于从多个图像中恢复三维场景信息。通过结合多个视图的对极约束，可以计算出场景中物体的三维坐标。
3. 相机姿态估计：对极约束也可以用于估计相机的姿态（即相机的位置和方向）。通过分析不同视图中的对极约束，可以计算出相机之间的相对姿态。
4. 运动估计：在视频处理中，对极约束可以用于估计相机的运动。通过分析连续帧之间的对极约束，可以计算出相机的运动参数（如旋转和平移），从而实现视频的稳定和跟踪。