计算机视觉中的数学方法——4.3 基本矩阵估计

4.3.1 8-点算法(8-Point Algorithm)

当点对应精确时，rank(A)=8，f 是矩阵A的零空间，或者说是矩阵A的零特征值对应的特征向量。Ax=0的非零解为a，Aa=0a则Aa=0a。
在点对应不精确时，矩阵A 通常是一个秩9 的矩阵(这里点对应数>8。因为当点对应数=8时，A是一个8×9矩阵。不论点对应是否有误差， A的秩总等于8)，这样方程组只有零解。

基本矩阵的秩 2 约束

如果用一个秩不等于2 的矩阵作为基本矩阵，并用它估计图像极线，则所估计的极线不交于同一个图像点。这就是说如果用秩不为2 的矩
阵作为基本矩阵的估计，我们不能得到两幅图像的极几何，这是因为在极几何中所有的极线均交于极点。然而，通过(4.3.3)所确定的矩阵F 一般是满秩的，因此还必须用一个秩2 的矩阵去逼近矩阵F作为基本矩阵的估计，也就是说将下述最小化问题：

8-点算法

总结上述讨论，有下述估计基本矩阵的8-点算法：

4.3.2 最小点对应算法

7-点算法

7-点算法是指仅用7 个点对应来估计基本矩阵的方法。
在一般情形下，7 个点对应是能够估计基本矩阵所需要的最少点对应数，它的重要性在于：

1. 在图像中仅有7 个点对应时，只能用这种方法；
2. 在基本矩阵的鲁棒估计中，RANSAC 方法的随机抽样通常需要抽取最小的点对应集。这将在17.1 节详细介绍。
   
   
   

6-点算法

如果埸景能提供某些可以利用的信息的话，则在估计基本矩阵时可以减少点对应的个数。例如，当埸景中包含有平面信息时，仅利用6 个点对应，其中4 个是来自同一平面上的点对应，就可以计算基本矩阵。

平面上的极点齐次坐标两个自由度