Multiple View Geometry - Chaper 5(2)

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。