从本质矩阵到基础矩阵(推导)

首先推导本质矩阵
什么是本质矩阵?
给定第一幅图中的一个点,这个点的坐标乘以基础矩阵将得到其在第二幅图中的对极线坐标.
Ex = l’

如果一个点在对极线上,那么x^Tl = 0
这是投影空间中点和线的二元性.如何证明?

两个正交向量的点积=0
任意两个向量的叉积与这两个向量所组成的平面垂直.

Ex = l’
x^Tl = 0
可以推出 x^TEx=0

本质矩阵和单应性矩阵的区别?
本质矩阵是将点映射到线.
单应性矩阵是将点映射到点.

下面正式开始推导:
因为是同一个相机在不同位置拍摄, 所以像平面M上的x和像平面M’上的x’之间只发生了平移和旋转(6个外参)的变化.
x’ = R(x-t) 因为t代表了3个位移变量所以才用-t而不是包含在一个矩阵中?
因为要对一个向量左乘矩阵来实现平移变化,这个矩阵必须维度比向量高.
这里我也不是很明白.
这里是相机到相机的变换.
x既可以代表像平面M上的一点,也可以代表从O到点x的一个向量.
x’同理.
而t是相机中心点O’到O的移动矢量.(是沿着基线的)
所以x,t,x’是共面的.
那么x^T(t$\times$x) = 0
因为t和x的叉积和t,x构成的平面垂直, 这个叉积和x垂直,所以点乘=0
(x-t)^T(t$\times$x) = 0
因为x和t的线性组合也在这个平面上,所以同理也等于0.
然后根据前面的x’ = R(x-t)
联立可得: (x^TR)(t$\times$x)=0
这中间要用到一个关于R的转化技巧

然后,再用一个技巧,就是t和x叉积可以写成t的反对称矩阵和x的点乘.
所以最终的结果:


通过这个式子又可以推导出很多等式:
x’^Tl’=0
l = E^Tx’ (x’^TEx=0 x^TE^Tx’=0)
由于像平面M’上的对极点e’是O在像平面上的投影,所以e’^TE=0
同理 Ee=0

现在考虑,如果是未校准相机,应该怎么变换呢?
考虑内参就可以了.
K代表相机的内参.
Kx_camera = x_image
x_camera = K^-1x_image
注意,前面的像平面M,M’都是相机坐标系.
所以x,x’都是camera point
现在想得到的是image point之间的关系, 这个image可以理解为电脑屏幕之类的平面.

这个F也是要特别注意的,是像素点到对极线的映射.
性质跟之前的E差不多.不再赘述.

参考:
https://en.wikipedia.org/wiki/Rotation_matrix