1.The Epipolar Constraint
对极约束
齐次坐标系下的是3D空间点X的投影。相机参数给定(设K=1),初始相机无旋转和位移,关于该投影公式只差一个未知数深度。从第一帧到第二帧,就需要相机旋转R和转换T,等式如下:
左右同乘
对于3D点在第二帧上的投影有如下的对极约束:
最后两次运算是不可逆的,每次计算不可避免的丢失了部分与x2,T垂直的信息。
对极约束也被叫做本质约束(essential constrait)或双线性约束(bilinear constrait)。
对极约束提供了3D空间的点在两张图片投影点和相机转换参数的关系,而这个关系式与3D点的坐标点无关。
该矩阵称为本质矩阵。
2.Properties of the Essential Matrix E
本质矩阵E的属性
所有本质矩阵构成的空间叫做本质空间(essential space)
一个非零的3×3矩阵是本质矩阵,当且仅当该矩阵有如下特征值的奇异值分解(singular value decomposition,SVD)(1989)
在SVD分解中,对于任意一个E,存在两个可能的t,R与之对应
也就是说,从E分解到t,R时,一共存在4种可能的解。但是只有一种解是在两个相机中都有正深度,把点带入上述解中检测深度,就可以找到正确的解。
3.The Eight-Point Linear Algorithm
八点法
首先重写对极约束,
(见chapter1-3)
对于n个点对,可以写成线性方程:
n=8时,这8个方程构成了一个线性方程组。它的系数矩阵由特征点位置构成,大小为8×9。e位于该矩阵的零空间中。如果系数矩阵是满秩的即为8,则零空间维数为1。
估计到的E一般不会直接映射到一个本质矩阵,可以通过投影到本质空间的方法解决。