DMatch queryIdx/trainIdx
- //queryIdx是本帧特征点的索引,trainIdx是该特征点在另一张图像中相匹配的特征点的索引
points1.push_back ( keypoints_1[matches[i].queryIdx].pt );
points2.push_back ( keypoints_2[matches[i].trainIdx].pt );
findFundamentalMat基础矩阵
fundamental_matrix = findFundamentalMat ( points1, points2, CV_FM_8POINT );
findEssentialMat本质矩阵
essential_matrix = findEssentialMat ( points1, points2, focal_length, principal_point );
Mat findEssentialMat( InputArray points1, InputArray points2,
InputArray cameraMatrix, int method = RANSAC,
double prob = 0.999, double threshold = 1.0,
OutputArray mask = noArray() );
- points1第一幅图片的N个二维像素点. 点坐标应该是浮点(单精度或双精度)。
- 参数 points2 第二幅图片的二维像素点,与points1同样大小和类型 .
- 参数cameraMatrix相机矩阵,请注意,此功能假设points1和points2是具有相同摄像机矩阵的摄像机的特征点。
- 参数method计算本征矩阵的方法
- ** RANSAC 用于RANSAC算法。 LMedS **用于LMedS算法。默认RANSAC方法
- 参数prob概率仅用于RANSAC或LMedS方法的参数。 它规定了估计矩阵正确的可信度(概率)
- 参数threshold用于RANSAC的参数。 它是从点到极线的最大距离(以像素为单位),超出此点时,该点被视为异常值,不用于计算最终的基本矩阵。 根据点定位精度,图像分辨率和图像噪声的不同,可将其设置为1-3。
- 参数mask输出N个元素的数组,其中每个元素对于异常值设置为0,对其他点设置为1。 该数组仅在RANSAC和LMedS方法中计算。
- 函数返回值为计算出的本征矩阵,可进一步传递给decomposeEssentialMat或recoverPose以恢复相机之间的相对位置。
findHomography单应矩阵
homography_matrix = findHomography ( points1, points2, RANSAC, 3 );
Mat cv::findHomography ( InputArray srcPoints,
InputArray dstPoints,
int method = 0,
double ransacReprojThreshold = 3,
OutputArray mask = noArray(),
const int maxIters = 2000,
const double confidence = 0.995
)
- srcPoints 源平面中点的坐标矩阵,可以是CV_32FC2类型,也可以是vector类型
- dstPoints 目标平面中点的坐标矩阵,可以是CV_32FC2类型,也可以是vector类型
- method 计算单应矩阵所使用的方法。不同的方法对应不同的参数,具体如下:
- 0 - 利用所有点的常规方法,RANSAC - RANSAC-基于RANSAC的鲁棒算法,LMEDS - 最小中值鲁棒算法,RHO - PROSAC-基于PROSAC的鲁棒算法
- ransacReprojThreshold 将点对视为内点的最大允许重投影错误阈值(仅用于RANSAC和RHO方法)。如果。。。则点被认为是个外点(即错误匹配点对)。若srcPoints和dstPoints是以像素为单位的,则该参数通常设置在1到10的范围内。
- mask,可选输出掩码矩阵,通常由鲁棒算法(RANSAC或LMEDS)设置。 请注意,输入掩码矩阵是不需要设置的。
- maxIters RANSAC算法的最大迭代次数,默认值为2000。
- confidence 可信度值,取值范围为0到1.
cv::recoverPose()
- 在OpenCV中cv::recoverPose()函数主要是用来从本质矩阵中恢复 R , t
- 例:
recoverPose(essential_matrix, points1, points2, R, t, focal_lenth, principal_point);
- 该函数在OpenCV中一共有以下这几种形式:
int recoverPose( InputArray E, InputArray points1, InputArray points2,
InputArray cameraMatrix, OutputArray R, OutputArray t,
InputOutputArray mask = noArray() );
int recoverPose( InputArray E, InputArray points1, InputArray points2,
OutputArray R, OutputArray t, double focal = 1.0,
Point2d pp = Point2d(0, 0), InputOutputArray mask = noArray() );
int recoverPose( InputArray E, InputArray points1, InputArray points2,
InputArray cameraMatrix, OutputArray R, OutputArray t,
double distanceThresh, InputOutputArray mask = noArray(),
OutputArray triangulatedPoints = noArray());
E:已经求解出来的本质矩阵,它是3x3的矩阵;
points1:第一张图片中的点;
points2:第二张图片中的点;
cameraMatrix:相机内参矩阵,它是3x3的矩阵;
R:求解出来的两帧图片之间的旋转矩阵;
t:求解出来的两帧图片之间的平移向量;
focal:相机焦距;
pp:像素坐标的原点;
distanceThresh:点的距离阈值,用来滤出距离较远的点;
triangulatedPoints:通过三角化还原点;
- 注意:
1. 通过该函数求解出来的 R , t R,t R,t,它表示的是points1到points2的变换,也就是 R 1 t o 2 R_{1to2} R1to2, t 1 t o 2 t_{1to2} t1to2
2.该函数求解出来的 R , t R,t R,t已经是最合适的 R , t R,t R,t,已经通过内部的代码去掉了另外三种错误的解
3. cv::recoverPose()中points1和points2的输入顺序,必须也要和求本质矩阵时对函数cv::findEssentialMat()输入的顺序相同
g2o报错
https://www.cnblogs.com/xueyuanaichiyu/p/7921382.html
error: no matching function for call to ‘g2o::OptimizationAlgorithmGaussNewton::OptimizationAlgorithmGaussNewton(Block*&)’
mGaussNewton* solver = new g2o::OptimizationAlgorithmGaussNewton( solver_ptr );
修改前:
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block;
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDenseBlock::PoseMatrixType();
Block* solver_ptr = new Block( linearSolver );
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr );
g2o::SparseOptimizer optimizer;
optimizer.setAlgorithm( solver );
optimizer.setVerbose( true );
修改后:
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block;
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>();
Block* solver_ptr = new Block( std::unique_ptr<Block::LinearSolverType>(linearSolver) );
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg(std::unique_ptr<Block>(solver_ptr) );
g2o::SparseOptimizer optimizer;
optimizer.setAlgorithm( solver );
optimizer.setVerbose( true );