![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉
董十贝
这个作者很懒,什么都没留下…
展开
-
本质矩阵和基础矩阵
前面的相机矩阵,是针对单个相机的,可我们知道单个相机图片并不能告诉我们物体的深度信息,这时至少需要两个相机,这样在两视图间内在的射影几何关系就是对极几何,而基本矩阵就算对极几何的代数表示。1.对极几何如果仅看一个相机,我们并不能知道深度信息,可如果有两个相机的话(就像人有两只眼睛)我们就能得到深度的信息,上图O和O'是两个相机中心,P点是物体所在,如果我们只看左边图像上的点p,我们不能知道物体到底是在哪,点P1、P2或其他地方,可有了右边图像上的我们就能得到物体点P在上图,我们把两相..转载 2020-05-15 20:04:45 · 5363 阅读 · 0 评论 -
射影几何
原文链接:https://www.zhihu.com/question/275818841.齐次向量首先看平面几何中的点线,初中我们就知道点在平面中的表示方法,用(x, y)就行了,而直线可以用方程ax+by+c=0表示,当然我们也学过它的另一种表示方法y=kx+b,这样就少了一个变量,我们暂用前一种表示方式,把它们换成列向量来表示,点,线。这里线的表示,如果我们将它乘上一个缩放因子R,它还是会表示同一条直线,像这样表示的向量就称为齐次向量,如果我们用表示直线就不能算齐次表示了。...转载 2020-05-15 19:41:22 · 2155 阅读 · 0 评论 -
相机矩阵
1.相机小孔模型针孔模型是相机成像的基础模型,是理解后续相机矩阵内容的基础。下图描述了基本的小孔成像过程:图中,X坐标系是针孔所在坐标系,Y坐标系为成像平面坐标系,P为空间一点,小孔成像使得P点在图像平面上呈现了一个倒立的像。这幅图是前一幅图的俯视图,由三角相似关系可以得到:写成矩阵的形式:多了一个讨厌的负号(小孔成像上下颠倒,左右也颠倒),为了方便,大家把成像平面移到了和物体(P点)相同的一边,这样相似关系中就没有负号。上图中Y1’为移动后的成像平面,这与移动前转载 2020-05-14 11:18:06 · 4304 阅读 · 0 评论 -
齐次坐标
1.齐次坐标先看看矩阵乘法在三维坐标变换的缺点:将三维坐标视为一个列向量,那么矩阵*列向量得到的新向量的每一个分量,都是旧的列向量的线性函数,因而三维笛卡尔坐标与矩阵的乘法只能实现三维坐标的缩放和旋转,而无法实现坐标平移。可以发现将三维的笛卡尔坐标添加一个额外坐标,就可以实现坐标平移了,而且保持了三维向量与矩阵乘法具有的缩放和旋转操作。这个就称为齐次坐标。而这种变换也称为仿射变换(affine transformation),不属于线性变换(线性变换的一个重要规则就是(0,0,0)(0,0,0转载 2020-05-14 10:02:09 · 6409 阅读 · 1 评论