已知位姿真值，求特征匹配误差（内外参坐标转换）（重投影误差）

Candice_jy

已于 2024-08-08 22:47:15 修改

阅读量553

点赞数 13

文章标签： opencv 计算机视觉 python

于 2024-07-31 11:13:10 首次发布

本文链接：https://blog.csdn.net/qq_52039107/article/details/140814113

版权

一、三维空间刚体运动的描述方式

1. 旋转矩阵和变换矩阵

坐标系间的欧式变换： a' = Ra + t

变换矩阵与齐次坐标： $\begin{bmatrix} a'\\1 \end{bmatrix} = \begin{bmatrix}R &t\\0&1 \end{bmatrix}\begin{bmatrix}a\\1 \end{bmatrix}= T\begin{bmatrix}a\\1 \end{bmatrix}$

$T=\begin{bmatrix}R &t\\0&1 \end{bmatrix},T^{-1}=\begin{bmatrix}R^T &-R^Tt\\0 &1 \end{bmatrix}$

相对位姿求解:

$^2P=^2T_1\ ^1P$

$^2T_1=(^wT_2)^{-1}\ ^wT_1=\begin{bmatrix}R_2^TR_1 & R_2^Tt_1-R_2^Tt_2\\0&1 \end{bmatrix}$

缺点：R∈SO(3)使用九个量表示三个自由度的旋转，T∈SE(3)使用16个量表示六个自由度的变换，有冗余，不紧凑。

2. 旋转向量和欧拉角

旋转表征：一个旋转轴+一个旋转角

旋转向量：方向和旋转轴一致，长度等于旋转角

外积可以表示旋转：考虑两个不平行的向量a,b，用右手的4个指头从a转向b，大拇指朝向就是旋转向量的方向，即a×b的方向，它的大小由a和b的夹角决定。

$a\times b=\begin{bmatrix}i&j&k\\a_1&a_2&a_3\\b_1&b_2&b_3 \end{bmatrix}=\begin{bmatrix}a_2 b_3-a_3b_2\\a_3b_1-a_1b_3\\a_1b_2-a_2b_1 \end{bmatrix}=\begin{bmatrix}0&-a_3&a_2\\a_3&0&-a_1\\-a_2&a_1&0 \end{bmatrix}b$

方向垂直于a,b，大小为|a||b|sin<a,b>

欧拉角：使用三个分离的转角，将一次旋转分解为3次绕不同轴的旋转

缺点：万向锁和奇异性

3. 四元数

二、针孔相机模型

相机坐标系下的现实空间点： $P=(X, Y,Z)^T$

成像平面中的成像点： $P'=(X',Y',Z')^T$

像素平面o-u-v中像素坐标： $(u,v)^T$

内参

相机坐标系-->成像平面

$\frac{Z}{f}=\frac{X}{X'}=\frac{Y}{Y'}\Rightarrow X'=\frac{f}{Z}X, \ Y'=\frac{f}{Z}Y$

成像平面-->像素坐标系

相差一个缩放和一个原点的平移

$\begin{cases}u=\alpha X'+c_x\\v=\beta Y'+c_y \end{cases}$

相机坐标系-->像素坐标系

$\begin{cases}u=\alpha f\frac{X}{Z}+c_x\\v=\beta f\frac{Y}{Z}+c_y \end{cases}\Rightarrow \begin{cases}u=f_x\frac{X}{Z}+c_x\\v=f_y\frac{Y}{Z}+c_y \end{cases}$

（其中f的单位是米， $f_x, f_y$ 单位是像素）

写为矩阵形式，并使用齐次坐标

$\begin{bmatrix} u\\v\\1\end{bmatrix}=\begin{bmatrix} f_x&0&c_x\\0&f_y&c_y\\0&0&1\end{bmatrix}\begin{bmatrix} \frac{X}{Z}\\ \\\frac{Y}{Z}\\\\ 1\end{bmatrix}\Rightarrow\begin{bmatrix}u\\v\\1 \end{bmatrix}=K\begin{bmatrix}x\\y\\1 \end{bmatrix}$