18.外部相机校准——旋转（Rotation），R是什么样子的，绕Z轴旋转的例子，齐次坐标旋转_2

最新推荐文章于 2022-06-13 17:38:51 发布

Tom Boom

最新推荐文章于 2022-06-13 17:38:51 发布

阅读量1.4k

点赞数

分类专栏：机器视觉技术文章标签：机器视觉

机器视觉技术专栏收录该内容

80 篇文章 88 订阅

订阅专栏

旋转（rotation）

现在生活变得更加丑陋，旋转（rotation）。我这里有一个图，或者我想这也是来自四边复合幻灯片，我给你们看的是两个坐标系，a和b，你们会注意到A有一个 I 向量（如图1），一个J向量和一个K向量（如图2）。B有一个 I 向量，一个J向量和一个K向量（如图3）。

1 2 3

需要注意的一点是，这个P值（如图1），从原点（如图2）出发的向量，可以用两种方式表示。

1 2

它可以表示为a坐标系中的某些分量乘以x y z坐标系中的某些分量（如图），

也可以表示为B坐标系中的某些分量乘以x y z坐标系中的这些分量，right? 它们是相同的向量，right? 关键是要理解这些基向量（如图2）我们需要知道每个基向量的倍数。

我们想要做的是假设我们要把坐标系从A旋转到B，这就是这个公式的意思（如图1）。这就是说，给定A中描述的点（如图2），我将有一个旋转算子（如图3）它会给出现在在B坐标系中表示的P（如图4）。意味着在B的坐标系中描述框架A，它表示，所以，如果你根据A的分量给我一个点的位置，这就是应用R后它只是一个旋转，我得到了框架中的分量B。

1 2 3

R是什么样子的

那么R是什么样子的呢?有两种方法来考虑这个问题，首先我们要用困难的方法来考虑。表示A中的每个基向量如何用B表示（如图）。

所以的第一列（如图1）是A的 I 向量的分量用它在B的 I 方向，B的 j 方向和B的 k 方向上的分量表示（如图2）。

1 2

你可以把它想象成 $i_{A}$ 和 B的每一个分量的点积， $i_{B}$ ， $j_{B}$ ， $k_{B}$ （如图1）。

同样的，下面每一列都是这样做的。

所以，一种思考方法是的列向量是在B坐标系中表示的A的i向量。然后是B坐标系下A的j向量，和B坐标系下A的k向量（如图）。为什么是这样是真确的呢?

我们这样想。假设我有一个点，向量，在A坐标系中。它的值是1,0,0（如图1），okay? 这意味着它在A坐标系的 i 方向上的距离是1在A坐标系的 j 和 k 方向上的距离是0。它的值应该是多少? all right? 我把它写下来。这个乘以这个（如图2）。

1 2

如此这般。那么它就会得到 iA 点乘 iB（如图1），所以变换后的坐标系的第一个分量就是 i 向量，在 B 的 i 方向上的量。一，二，三。还是得到iA.jB好的，再来一次iA.kB（如图2）。

1 2

换句话说，这就是它说的如果我们有一个1,0,0，需要得到的，就是这个向量是如何点乘每个分量的。这就是为什么这个矩阵可以被认为是它的列向量就像A坐标系的每一个基底向量用B坐标系表示（如图）。明白了吗? 所以两边是这个。只要按下暂停键就行了（教授show）。看看发生了什么。

提醒一下，我标记了这个旋转矩阵的列向量是坐标系B中坐标系A的坐标轴（如图），为什么? 因为我们刚刚给你们看了那些废话。

顺便说一下，它也可以被认为是行就是列（如图1），就是B向量在A坐标系中的基底，right? 这里是 iB 在A的 i 分量中，这是 iB 在 j 中，这是 iB 在 k 中（如图2），

1 2

你可以这样想，如果我转置这个向量。所以我把列变成了行，行变成了列，我现在得到的不是RAB，而是RBA，all right? 这是一个正交矩阵（如图1），right? 正交矩阵，所有的行，所有的列都是互相垂直的单位向量。所以行列式。行列式的磁体是1。这是传统的旋转矩阵顺便说一下，真正重要的是逆等于转置。所以，如果你有一个旋转矩阵你想在这两个矩阵之间来回变换，逆矩阵和转置矩阵，它们是必须的。因为RAB的逆必须是RBA我们刚刚展示了，这些行是如何被变换到列上的。

绕Z轴旋转的例子

举个简单的例子。这里有两个坐标系A到B的旋转大约是z轴。所以右边的图像，我向下看z轴。当我问你们旋转矩阵是什么时，你们应该很熟悉这个? 为什么? 因为你在代数中做过这个，right? 你说过旋转一个角度 $\theta$ ，当你做x y的时候，关于原点，希望你们还记得像这样的东西（如图）。看，cos $\theta$ - sin $\theta$ sin $\theta$ cos $\theta$ ，right? 乔治·托马斯写了我们很多人都用的微积分课本，他教我微积分的时候叫我查理的妹妹，索克·查理。这样你就能记住负号在哪里了。

不管怎样，重点是这个矩阵（如图1）只是为了旋转 x 和 y，保持 z 不变。所以如果我想要得到任意的方向，基本上我可以做一系列的旋转来得到我想要的东西。

关于如何做到这一点有很多标准。我们很多人在数学和计算机视觉中都知道欧拉角。欧拉角表示，绕Z旋转，如果这是Z（教授比手势），就会旋转，假设Z是向上的，绕Z旋转，绕新的X旋转，然后再绕新的Z旋转，all right? 对于你们当中驾驶飞机的人，我认为它是头部，俯仰和滚动? 也许是船，我不知道。航向，你确定了自己的方向。你知道西北航空公司。你俯仰（教授比手势），这是向上和向下的方式，然后你滚动。这就是这个方向的旋转。all right。这是关于Z的世界，新的X，新的y，有滚动，俯仰和偏航。有方位角，仰角，我想对于你们中那些习惯发射迫击炮的人来说，方位角，el，无论如何。

基本上，有这三个基本矩阵，关于X Y z的旋转，顺序很重要，okay? 我们不用太担心，实际上根本不用担心得到那个顺序。但它是什么呢，这里有三个旋转矩阵（如图1），它们是，它们的角度的函数。这是关于x的旋转，关于z的旋转，关于y的旋转，我把它们排列成这个顺序。为什么? 我不知道它们以前是不同的顺序，但是没关系。你可以绕着这些不同的轴旋转。现在，不管你是预乘还是后乘，这都是一个问题。那么我们做x1，然后是y1和z1? 或者z1 y1 x1? 这取决于你是在新坐标系中旋转还是在旧坐标系中旋转。那么， $\theta$ 是正的还是负的? 所以当你这样做的时候，你必须很好地考虑这些事情。这就是为什么我们在建造飞船之前先进行模拟? 因为当它在模拟中不起作用时，工程师会说，我不知道，试试 - 20。因为知道角度的方向是非常困难的。

齐次坐标旋转

怎么样，只是一种更简单的方法。再一次，拯救我们的，是齐次坐标。我们假设我们有一个旋转矩阵，okay。这里，我取了上面的方程，即pb是pa的旋转版本，现在，不是左上角的单位矩阵，也不是右边的偏移量，我们在这里有一个旋转矩阵（如图1），这是一个3×3矩阵。所以这是0向量（如图2）是一个3×1的0，所以转置就是0 0 0（如图3），这边是0 0 0（如图4）。okay。这样，旋转就是矩阵乘法。再一次，我们使用齐次坐标（如图5）。提醒一下，不像变换，旋转不是可交换的。

1 2