基础矩阵和本质矩阵

最新推荐文章于 2023-09-16 22:24:46 发布

BTWBB

最新推荐文章于 2023-09-16 22:24:46 发布

阅读量1.8k

点赞数 2

分类专栏：三维重建相关知识文章标签：矩阵线性代数

本文链接：https://blog.csdn.net/weixin_42145554/article/details/126744447

版权

三维重建相关知识专栏收录该内容

9 篇文章 14 订阅

订阅专栏

基础矩阵和本质矩阵

定义
推导
求解
Reference

定义

本质矩阵E（Essential Matrix）：反映空间中一点P在不同视角摄像机的相机坐标系下表示之间的关系。
空间点P在相机a下相机坐标系中的表示： $P_a^C=\begin{bmatrix}x_a^C\\y_a^C\\z_a^C\\\end{bmatrix}$
空间点P在相机b下相机坐标系中的表示： $P_b^C=\begin{bmatrix}x_b^C\\y_b^C\\z_b^C\\\end{bmatrix}$
$P_a^C$ 与 $P_b^C$ 之间的关系：
$P_a^CEP_b^C=\begin{bmatrix}x_a^C\\y_a^C\\z_a^C\\\end{bmatrix}E\begin{bmatrix}x_b^C\\y_b^C\\z_b^C\\\end{bmatrix}=0$
基础矩阵F（Fundamental Matrix）：反映空间中一点P在不同视角摄像机的图像坐标系下表示之间的关系。
空间点P在相机a下图像坐标系中的表示： $P_a^I=\begin{bmatrix}u_a\\v_a\\1\\\end{bmatrix}$
空间点P在相机b下图像坐标系中的表示： $P_b^I=\begin{bmatrix}u_b\\v_b\\1\\\end{bmatrix}$
$P_a^I$ 与 $P_b^I$ 之间的关系：
$P_a^IFP_b^I=\begin{bmatrix}u_a\\v_a\\1\\\end{bmatrix}F\begin{bmatrix}x_b^C\\y_b^C\\z_b^C\\\end{bmatrix}=0$

推导

在这里插入图片描述
如图假设P点在相机1中的坐标为：
$x_1=\vec{O_1P}$
相机2的坐标系相对于1发生了旋转 $R$ 以及平移 $t=\vec{O_1O_2}$ ，所以P在相机2中的坐标为：
$x_2=\vec{O_2P}=Rx_1+t$
因为 $\vec{O_1P}$ ， $\vec{O_2P}$ 和 $\vec{O_1O_2}$ 在同一个平面，所以有：
$\vec{O_2P}\cdot(\vec{O_1O_2}\times\vec{O_1P})=0$
该公式在相机2的坐标系中表示为：
$x_2\cdot(t\times(Rx_1+t))=x_2\cdot(t\times(Rx_1))=x_2^T(t^\wedge R)x_1=0$
所以 $t^\wedge R$ 就是本质矩阵，其中若设在各相机图像坐标系的坐标为 $p_1$ ， $p_2$ ，有 $p_1=Kx_1$ ， $p_2=Kx_2$ ， $K$ 为相机内参矩阵，带入上面的等式有：
$p_2^TK^{-T}(t^\wedge R)K^{-1}p_1=0$
所以基础矩阵为：
$F=K^{-T}EK^{-1}$
可以看到本质矩阵含有坐标的平移以及旋转信息，所以在求解变换矩阵的时候，我们可以先求解本质矩阵然后再对本质矩阵进行分解来得到旋转和平移矩阵。