【ORBSLAM2点线融合】空间直线参数化

「已注销」

已于 2022-10-14 23:55:01 修改

阅读量784

点赞数

于 2022-10-13 23:10:55 首次发布

本文链接：https://blog.csdn.net/weixin_62266575/article/details/127242344

版权

一、空间直线参数化

一条空间直线可以由两个点或两个平面交线来表示。
通常，空间直线的定义会通过直线与两个正交平面的交点来表示，这两个交点分别有2个自由度，所以直线有在三维空间中有4个自由度，如图（来自《计算机视觉中的多视图几何》3.2.2）
在这里插入图片描述

普吕克矩阵和普吕克坐标

一条空间直线可以用一个4x4的反对称矩阵来表示，这个矩阵称为普吕克矩阵，已知两个三维空间中的点齐次坐标A，B，则普吕克矩阵L为
$L=AB^{T}-BA^{T}$
L的秩为2，并且其中有6个独立的非零元素（因为是反对称矩阵，主对角线是0，剩下的元素相当于只有6个），但只有5个比率是有意义的，由于L的行列式为0，所以普吕克矩阵表示的直线有4个自由度。（这一段直接来自书里，没明白为什么）
而普吕克坐标就是用普吕克矩阵的6个非零元素组成的向量，可以写成
$\mathcal{L}=\left\{ l_{12},l_{13},l_{14},l_{23},l_{42},l_{34}\right\}$
因为L行列式为0，所以普吕克坐标还满足
$l_{12}l_{34}+l_{13}l_{42}+l _{14}l_{23}=0$
按照书中说法，一个六维向量如果满足上式，则这个向量就对应了三维空间中的一条直线。实际上，这个六维向量的可以有很多种组合，Bartoli在文献[2]中使用了以下形式：
已知两个三维空间中的点 $M\sim(\widetilde{M}, m),N\sim(\widetilde{N}, n)$ （~表示非齐次坐标），则这两个点连成的直线的普吕克坐标 $\mathcal{L}$ 为
$\mathcal{L}= \begin{bmatrix} \widetilde{M}\times \widetilde{N} \\ m\widetilde{N}-n\widetilde{M} \end{bmatrix}=\begin{bmatrix}n \\ v \end{bmatrix}$
其中v是直线方向向量，n是过该直线且通过原点的平面的法向量，且满足 $n^{T}v=0$ ，如下图

在这里插入图片描述

普吕克坐标转化成普吕克矩阵公式如下
$L=\left[\begin{array}{cc} {[n]_\times} & v \\ -v^{\top} & 0 \end{array}\right]$
其中 $[.]_{\times}$ 表示向量的反对称矩阵形式
$\begin{bmatrix} n_{1} \\ n_{2} \\ n_{3} \end{bmatrix}_{\times}=\begin{bmatrix} 0 & -n_{3} & n_{2} \\ n_{3} & 0 & -n_{1} \\ -n_{2} & n_{1} & 0 \end{bmatrix}$ 并且两个向量叉乘可以表示成
$\times b=[a]_{\times}b$

二、普吕克坐标的变换

普吕克坐标表示的直线从世界坐标到相机坐标转化如下
$\begin{bmatrix} n_{c} \\ v_{c} \end{bmatrix}=\begin{bmatrix} R_{cw} & \left[ t_{cw}\right]_\times R_{cw} \\ 0 & R_{cw} \end{bmatrix}\begin{bmatrix} n_{w} \\ v_{w} \end{bmatrix}$
推导过程其实很好理解，首先直线方向向量部分只需要把两个点转换到相机坐标下，再相减即可，法向量部分推导如下，拿上面那张图举例
$\begin{aligned} n_{c} &= M_{c} \times v_{c}\\ &= \left (R_{cw}M_{w}+t_{cw} \right )\times R_{cw}v_{w}\\ &= R_{cw}M_{w} \times R_{cw}v_{w}+t_{cw}\times R_{cw}v_{w}\\ &= R_{cw}M_{w} \times v_{w} + [t_{cw}]_{\times}R_{cw}v_{w} \\ &=R_{cw}n_{w} + [t_{cw}]_{\times}R_{cw}v_{w} \end{aligned}$