分计算iv值_多视角几何6相机矩阵的计算受限相机的估计

如前文所述，DLT算法根据3D-2D对应关系计算一般射影相机矩阵。若矩阵P的相机中心在有限点，则相机矩阵可分解为P=K[R | -R ]，其中R是3×3旋转矩阵，K是满足(5.10)形式的内参矩阵， (6.6) K的非零项是具有几何意义的量，是P的内部标定参数。我们希望找到，相机参数满足约束条件下的 最好拟合相机矩阵P。公认的假设是，i.扭转系数s是0；ii.像素是正方形：α _x =α _y ；iii.主点(x ₀ ,y ₀ )是已知的；iv.完整的相机标定矩阵K是已知的；在某些情况下，用线性算法估计受限相机矩阵是可行的;下面举例一个受限估计的例子，我们希望找到最好的针孔相机模型(射影相机满足s=0， α _x =α _y)，以满足测量值集合。通过最小化几何误差或代数误差可以求解该问题，下面我们具体讨论； 最小化几何误差.为最小化几何误差，我们选择一个参数集合，表征待计算的相机矩阵。例如，我们希望约束s=0， α _x =α _y。我们可以使用剩余9个参数实现相机矩阵参数化。这九个参数是，x₀，y₀，α，再加上6个表示相机方向R和位置 的参数，该参数集记为q。那么相机矩阵P可以用这些参数显示地计算。 使用迭代最小化方法(如LM算法)，最小化关于该参数集的几何误差。注：在仅最小化图像误差的情形下，最小化问题的规模是9×2n。换言之，LM最小化是最小化一个函数f：R ⁹->R ²ⁿ。当最小化3D和2D误差时，函数f是R ³ⁿ⁺⁹->R ⁵ⁿ，因为3D点必须包含在测量值中，最小化也应包括3D点真实位置的估计。 最小化代数误差.当迭代最小化问题的规模非常小时，最小化代数误差也是可行的。考虑把参数集 q映射到相机矩阵 P=K[R | -R ]，定义映射为g。确切地说，我们有映射p=g(q)，p是矩阵P元素的向量。最小化所有匹配点的代数误差等同于最小化||Ag(q)||。 简化测量矩阵. 一般来说，2n×12的矩阵A有许多行。用一个方形12×12的矩阵 代替A，对任意向量 p，|| Ap||= p ^T A ^T A p=|| p||，这样的方法是可行的，这样的矩阵 称为简化测量矩阵。这样做的一种方法是使用SVD分解。令A=UDV ^T是A的SVD分解，定义 =DV ^T，那么 这是符合我们要求的。得到 另一方法是，使用QR分解A=Q ，其中Q有正交列， 是方形上三角阵。注： q-> g( q)是从 R ⁹-> R ¹²的映射，这是一个简单的参数最小化问题，可通过LM方法求解。值得注意的点如下： 若给定n对世界图像对应关系X_i-x_i，最小化代数距离和∑_id_alg(x_i,PX_i)²寻找受限相机矩阵的问题，可简化为R⁹->R¹²的函数最小化，不在依赖于点对应数目。 ||g(q)||在参数q的所有值上最小化。注意，如果 P=K[R | -R ]，K是(6.6)中形式，那么P满足条件 p ² ₃₁ +p ² ₃₂ +p ² ₃₃ =1，因为这些元素与旋转矩阵R的最后一行相同。因此，最小化Ag(q)会产生矩阵P，并满足约束s=0且α_x=α_y，同时通过缩放满足p²₃₁+p²₃₂+p²₃₃=1。而且它还最小化所有点对应的代数误差。 初始化. 寻找初始化迭代的相机参数的一种方法如下： i.使用线性算法，如DLT，寻找初始相机矩阵； ii.把固定参数强制为所希望的数值(如s=0,α_x=α_y 并等于DLT算法求得的平均值)； iii.把相机矩阵分解所获得的初始值赋给参数变量； 理想情形下，固定参数假设的值非常接近DLT算法估计的值。但是，在实际中并不总是这种情况。改变这些参数为期望值会造成错误的初始相机矩阵，产生很大的残差并很难收敛。实际中效果比较好的方法是，使用软约束，即增加额外向到损失函数。因此，对于s=0,α_x=α_y的情形，我们需要增加ws²+w(α_x-α_y)²到损失函数。以图像几何误差为例，损失函数变为， 我们以DLT算法估计的参数值开始，权重以较小的数值开始并随着每次迭代估计而增加。因此，s的值和长宽比将逐渐地接近他们的预期值。最终，它们将固定到所期望的值。 外部校准.假设相机所有内参参数均一致，那么待决定的参数是未知和方向(姿态)。这是外部校准问题，在标定系统分析中非常重要。为计算外部校准，需对已知准确世界坐标的配置进行成像。然后寻求相机姿态。这种情况出现在机器系统的手眼标定中，相机的姿态是必要的；也出现在使用配准技术的基于模型的识别，物体相对相机的姿态也是必要的；有六个参数必须确认，3个是方向，3个是位姿。因为每对世界图像对应点产生两个约束，那么3个点显然是足够的。事实也的确如此，产生的非线性方程一般有四个解。 协方差评估.协方差估计和误差在图像中的传播技术可以如2D单应中一样处理。类似地，可根据结论计算最小残差期望值。假设所有误差均在图像测量中，那么期望ML残差等于， 其中d是待拟合相机参数的数目。给定残差，该方程也可用于估计点测量的准确度。在例6.1中n=197，ε _res=0.365，这使得σ=0.37。这个值比预期的要大，这是因为忽略了径向扭曲。 例6.2 相机估计中的方差椭球假设，基于一组整个参数集 使用最大似然优化估计相机。根据结论，点测量估计的协方差可用于计算向后传播的相机模型协方差。因此给出， ∑_camera=(J^T∑^-1_pointsJ)^-1 ,其中J是相机参数表示的测量点的雅克比矩阵。相同的方法考虑3D点的不确定性。如果相机用有意义的参数进行参数化，那么每个参数的方差都可以直接从协方差矩阵的对角元素直接得到。 若已知相机参数的协方差，误差边界或方差椭球可以计算。例如，根据所有参数的协方差矩阵，我们可以提取处表示相机位置的3×3协方差矩阵子模块，∑_C。相机中心的置信度椭球定义为， 其中k ²是置信度期望为α时累计分布的逆，即k=F(α)。这里n是变量数目-对相机中心而言是4.若相机中心所选的置信度是α，它将在此椭球中。如图表示，对于计算的相机中心椭球不确定范围的例子。若相机的协方差估计矩阵已知，那么可以用来计算3D世界点在图像中位置的不确定性。