对于两张图片
进行特征点匹配
去除错误的匹配
对于现在image1与image2匹配的点集
{
x
1
i
}
,
{
x
2
i
}
\{x_{1_i}\},\{x_{2_i}\}
{x1i},{x2i}
我们希望找到一个矩阵H，使得任意匹配的两个点
x
1
i
,
x
2
i
,
x_{1_i},x_{2_i},
x1i,x2i,
H
x
1
=
x
2
.
Hx_1=x_2.
Hx1=x2.
H
=
(
h
1
h
2
h
3
h
4
h
5
h
6
h
7
h
8
h
9
)
H=\begin{pmatrix}h_1&h_2&h_3\\h_4&h_5&h_6\\h_7&h_8&h_9\end{pmatrix}
H=⎝⎛h1h4h7h2h5h8h3h6h9⎠⎞
(
h
1
h
2
h
3
h
4
h
5
h
6
h
7
h
8
h
9
)
(
x
1
y
1
1
)
=
(
x
2
y
2
1
)
⇔
\begin{pmatrix}h_1&h_2&h_3\\h_4&h_5&h_6\\h_7&h_8&h_9\end{pmatrix}\begin{pmatrix}x_1\\y_1\\1\end{pmatrix}=\begin{pmatrix}x_2\\y_2\\1\end{pmatrix}\Leftrightarrow
⎝⎛h1h4h7h2h5h8h3h6h9⎠⎞⎝⎛x1y11⎠⎞=⎝⎛x2y21⎠⎞⇔
(
0
0
0
x
1
y
1
1
−
x
1
y
2
−
y
1
y
2
−
y
2
x
1
y
1
1
0
0
0
−
x
1
x
2
−
y
1
x
2
−
x
2
)
(
h
1
h
2
h
3
h
4
h
5
h
6
h
7
h
8
h
9
)
=
(
0
0
0
0
0
0
0
0
0
)
\begin{pmatrix}0&0&0&x_1&y_1&1&-x_1y_2&-y_1y_2&-y_2\\x_1&y_1&1&0&0&0&-x_1x_2&-y_1x_2&-x_2\end{pmatrix}\begin{pmatrix}h_1\\h_2\\h_3\\h_4\\h_5\\h_6\\h_7\\h_8\\h_9\end{pmatrix}=\begin{pmatrix}0\\0\\0\\0\\0\\0\\0\\0\\0\end{pmatrix}
(0x10y101x10y1010−x1y2−x1x2−y1y2−y1x2−y2−x2)⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛h1h2h3h4h5h6h7h8h9⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞=⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎛000000000⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎞
对于n组匹配的点，我们找到了2n个方程，通过SVD求解，这就是DLT方法. DLT方法一般只用于少量的匹配点.
求得的H矩阵效果如下.
Normalized DLT在DLT的基础上，将匹配的点先通过平移使得横纵坐标的均值均为0，然后通过缩放使得与原点的平均距离为√2
记
变
换
矩
阵
分
别
为
T
1
，
T
2
记变换矩阵分别为T_1，T_2
记变换矩阵分别为T1，T2
x
1
i
′
=
T
1
×
x
1
i
,
x
2
i
′
=
T
2
×
x
2
i
x_{1_i}'=T_1\times x_{1_i},x_{2_i}'=T_2\times x_{2_i}
x1i′=T1×x1i,x2i′=T2×x2i对变换后的两个点集使用DLT，求得H’.
H
′
T
1
x
1
i
=
T
2
x
2
i
⇔
T
2
−
1
H
′
T
1
x
1
i
=
x
2
i
H'T_1x_{1_i}=T_2x_{2_i}\Leftrightarrow T_2^{-1}H'T_1x_{1_i}=x_{2_i}
H′T1x1i=T2x2i⇔T2−1H′T1x1i=x2i进而我们可以得到
H
=
T
2
−
1
H
′
T
1
H=T_2^{-1}H'T_1
H=T2−1H′T1
其中，对于Normalized过程的变换矩阵，可以看作是平移变换与缩放变换的组合.
T
i
=
(
s
i
0
0
0
s
i
0
0
0
1
)
(
1
0
−
x
‾
i
0
1
−
y
‾
i
0
0
1
)
=
(
s
i
0
−
s
i
x
‾
i
0
s
i
−
s
i
y
‾
i
0
0
1
)
T_i=\begin{pmatrix}s_i&0&0\\0&s_i&0\\0&0&1\end{pmatrix}\begin{pmatrix}1&0&-{\overline x}_i\\0&1&-{\overline y}_i\\0&0&1\end{pmatrix}=\begin{pmatrix}s_i&0&-s_i{\overline x}_i\\0&s_i&-s_i{\overline y}_i\\0&0&1\end{pmatrix}
Ti=⎝⎛si000si0001⎠⎞⎝⎛100010−xi−yi1⎠⎞=⎝⎛si000si0−sixi−siyi1⎠⎞
求得的H矩阵效果如下.
更多内容可以参考Multiple View Geometry in Computer Vision Second Edition
2295
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
