简述
在计算H 或者 F矩阵的时候需要对特征点进行坐标变换,称之为归一化。
原因
前辈发现计算单应矩阵时变换特征点的坐标会得到更好的效果,包括坐标的平移和尺度缩放,并且这一步骤必须放在DLT之前。DLT之后再还原到原坐标系。
书本指出归一化与条件数确切的说是DTL矩阵A的第一个和倒数第二个奇异值的比例有关。有充分证据表明在精确数据和无限精度的算术运算条件下,归一化并不起作用,但是有噪声存在时解将偏离其正确结果。
个人推测:类似于机器学习中需要对数据进行归一化,减少数据因为尺度变化过大异常值等的原因影响结果。
步骤
1.将点进行平移使其形心(x,y的均值)位于原点。
2.对点进行缩放使特征点到原点的距离为根号2,即所有点“平均”位于(1,1,1)
3.对两幅图进行独立的上述变换
参考自《计算机视觉中的多视图几何》 3.4.4
代码实现 from ORBslam2