目录
概述
在立体视觉系统中,一般需要用两个摄像机,需要通过标定,测量双摄像机之间的相对位置,如图1所示。
![](https://img-blog.csdnimg.cn/20190908193411592.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbW9ueXVjc2R5,size_16,color_FFFFFF,t_70)
用两个摄像机观察周围环境, 在标定中,我们可以分别得到两个摄像机各自的内外参数,外参数表示空间点的世界坐标和相机坐标的映射关系,两个三维坐标的映射涉及到旋转和平移,所以分别用R1、t1与R2、t2表示外参,R矩阵表征旋转,t向量表征平移。则R1、t1表征摄像机C1与世界坐标系之间的映射,R2、t2表征摄像机C2与世界坐标系的映射。对任意一点P,如它在世界坐标系、C1坐标系与C2坐标系下的非齐次坐标分别为、
和
,则
式(1)
式(2)
联立式(1)和式(2)得:
式(3)
因此两个相机的相对几何位置关系可以使用以下的数学模型求取:
式(4)
式(5)
以上关系式表示,如果对双摄像机分别标定,得到R1、t1与R2、t2,则双摄像机的相对几何位置R和t可由式(4)与式(5)计算。在立体视觉系统中,数据是两个摄像机获得的图像与
。如果p1、p2是空间同一点P在两个图像上的投影点,我们称p2为p1的对应点,反过来,p1是p2的对应点。在图像
上任取一点p1,如果我们知道它在
上的对应点p2的位置,则可以用立体视觉的方法计算空间点P的三维坐标,因此,立体视觉的关键问题是对
中的每一点p1找出
中的对应点p2的位置。
特征匹配
视觉测量时,需要对空间中的特征点在两幅或多幅图像中的图像坐标进行匹配。这些图像可能是不同的摄像机采集的,也可能是同一台摄像机在不同的视点采集的。所谓特征匹配,就是在不同的图像上找到同一个特征点的成像坐标。
图1所示为双目相机成像系统,场景点x为在摄像机的两个视点下均在视场内的一个空间点,O1和O2为摄像机在不同视点的光轴中心点,Π1和Π2为摄像机在不同视点的成像平面。
极(Epipolar)平面:场景点P与两个摄像机光轴中心点O1、O2构成的平面。如图1中的O1O2x平面;
极线:外极平面与成像平面的交线。如图1中的两条红色的线;
极点(Epipole):两个摄像机光轴中心点O1、O2的连线与成像平面的交点。如图1中的点e1和e2;
基线(Base line):两个摄像机光轴中心点O1、O2的连线。
图2 双目相机的极线模型
立体匹配(Stereo Matching):场景点x在两个摄像机成像平面的对应点称为对应点(x1和x2)。寻找对应点的过程称为特征匹配,又称为立体匹配或图像配准。
极线约束
由摄像机的内外参数模型有:
式(6)
其中的M向量定义为相机的基本映射矩阵,是一个3*4矩阵。
式(7)
式(8)
于是,对于左右两个相机:
式(9)
将式(8)代入式(9),得到:
式(10)
将式(10)中的P消去,得到:
式(11)
式(11)的两边都是三维向量,即包含了三个等式,利用这三个等式消去和
,就可以得到
和
的关系,这个关系就是极线约束。
反对称矩阵
三维向量,则下列矩阵为向量t的反对称矩阵,记为
。
式(12)
反对称矩阵满足。
是一个不满秩的不可逆矩阵,另一些特性:
1)任意三维向量r与向量t的叉积(向量积)满足:
2)任意满足的向量r与t只差一个常量因子,即
。
极线约束求解
将式11的左边看成一个三维向量,即
式(13)
则有:
式(14)
令,有:
式(15)
右边的向量,该向量与
正交,于是用
左乘两边,得到:
式(16)
式16就是两个图像的极线约束,在给定的情况下,式16就是一个关于
的线性方程,即图2中的极线
的方程,反过来也是一样。式16还说明,在其中一个向量确定后,线性方程由
和
两个矩阵决定。
所以,对于立体视觉相机,只需求出两个映射矩阵,就可求解双相机的相对位置和极限约束。
简化式(16):
式(17)
F矩阵称为基本矩阵,是立体视觉中的一个重要概念,是要经常用到的概念。