文章探讨了在计算机视觉中，EssentialMatrix与相机运动的关联，通过SVD分解解析EssentialMatrix，进而提取旋转矩阵和平移向量。解决解的正确性依赖于深度一致性等额外信息，适用于特定的应用场景。
在计算机视觉和相机几何中，Essential Matrix（本质矩阵）与相机运动之间存在特殊的关系。通过对Essential Matrix进行奇异值分解（SVD），可以提取出相机的旋转矩阵 R R R 和平移向量 t t t。
在SVD分解后，可以得到Essential Matrix的分解形式：
E
=
U
Σ
V
T
E = U \Sigma V^T
E=UΣVT
其中，
U
U
U 和
V
V
V是正交矩阵，
Σ
\Sigma
Σ是对角矩阵。
接着，通过以下公式可以提取出旋转矩阵
R
R
R 和平移向量
t
t
t 的两组解：
R
=
U
⋅
W
⋅
V
T
t
=
±
u
3
R = U \cdot W \cdot V^T \\ t = ±u_3
R=U⋅W⋅VTt=±u3
或者：
R
=
U
⋅
W
T
⋅
V
T
t
=
±
u
3
R = U \cdot W ^T\cdot V^T \\ t = ±u_3
R=U⋅WT⋅VTt=±u3
其中，
u
3
u_3
u3 是
U
U
U 的第三列,
W
W
W 是一个特殊的反对称矩阵：
W
=
[
0
−
1
0
1
0
0
0
0
1
]
W = \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \\ \end{bmatrix}
W=
010−100001
这四组解分别对应于相机在两个可能的姿态下。在实际应用中，我们需要选择正确的解，这通常需要使用额外的信息，例如深度一致性（将点投影到图像上并确保它们的深度信息一致）来解决。因此，详细解释如何选择正确的解需要考虑具体的问题和应用场景。
1032
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
