计算机与机器视觉的矩阵知识,计算机视觉基础5——本质矩阵与基本矩阵(Essential and Fundamental Matrices)...

回顾本质矩阵的定义

本质矩阵的基本性质：

结合成像的几何关系

Longuet-Higgins equation

注意大小写的区别哦，大小表示物点矢量，小与表示像点矢量。

像平面上的一点可以看作：

? (u,v) 2D film point(局限于像平面上来考虑)

? (u,v,f) 3D point on film plane(相机坐标系中来考虑)

? k(u,v,f) viewing ray into the scene(透过像点和原点射线上点的像，相机坐标系中来考虑)

? k(X, Y, Z) ray through point P in the scene(在世界坐标系中来考虑)

设l为像平面上的一直线：au+bv+c=0

由点线结合关系可得：

因此有

这样就可以用几何的观点来解释上述方程：左像平面上的一点pl乘以本质矩阵E，结果为一条直线，该直线就是pl的极线，且过pl在右像平面上的对应点pr。这个结论十分喜人。

同理有

? Remember: epipoles belong to the epipolar lines

? And they belong to all the epipolar lines

关于本质矩阵的关系总结如下：

本质矩阵采用的是相机的外部参数，也就是说采用相机坐标(The essential matrix uses CAMERA coordinates)，如果要分析数字图像，则要考虑坐标(u,v)，此时需要用到内部参数(To use image coordinates we must consider the INTRINSIC camera parameters)

从像素级来考虑，有如下关系

short version: The same equation works in pixel coordinates too!

矩阵F称为基本矩阵:F=M?TrRSM?1l

? has rank 2

? depends on the INTRINSIC and EXTRINSIC Parameters (f, etc ; R & T)

Analogous to essential matrix. The fundamental matrix also tells how pixels (points) in each image are related to epipolar lines in the other image.

例子：

 

 

 

由F?el=0，并根据下图，where is the epipole? vector in the right nullspace of matrix F，即F的右零空间。当然el是非零向量，也就是说F?el=0有非零解，说明矩阵F不是满秩的，或者说它是奇异的，However, due to noise,F may not be singular.So instead, next best thing is eigenvector associated with smallest eigenvalue of F。

>> [u,d] = eigs(F’ * F)

u =

-0.0013 0.2586 -0.9660

0.0029 -0.9660 -0.2586

1.0000 0.0032 -0.0005

d = 1.0e8*

-1.0000 0 0

0 -0.0000 0

0 0 -0.0000

eigenvector associated with smallest eigenvalue

>> uu = u(:,3)

uu = ( -0.9660 -0.2586 -0.0005)

>> uu / uu(3) : to get pixel coords

(1861.02 498.21 1.0)

where is the epipole?