DLT算法求解单应性矩阵

PLUS_WAVE

已于 2024-03-13 15:56:13 修改

阅读量1.3k

点赞数 22

分类专栏： CV 文章标签：线性代数 opencv python 计算机视觉 cv 单应性矩阵 DLT算法

于 2024-03-13 15:31:55 首次发布

本文链接：https://blog.csdn.net/wjwwwwwww/article/details/136681394

版权

CV 专栏收录该内容

18 篇文章 5 订阅

订阅专栏

DLT算法求解单应性矩阵

原理：

单应性矩阵描述了两个图像之间的投影变换关系，即从一张图到另一张图的变换。

下面是DLT算法的基本原理：

构建投影方程： 对于两个图像中的对应点 $(x, y, 1)$ 和 $(u, v, 1)$ ，投影关系可以用齐次坐标表示为 $\begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = H \begin{bmatrix} x \\ y \\ 1 \end{bmatrix}$ （ $c$ 只是一个常数，由于是齐次坐标，所以不影响）。这里的 $H$ （ $\times 3$ 矩阵）是我们要求解的单应性矩阵

$=\begin{bmatrix} h1 & h2 & h3 \\ h4 & h5 & h6 \\ h7 & h8 & h9 \end{bmatrix}$

构建矩阵 $A$ ： 将上面的投影方程展开成 $A h = 0$ 的形式，其中 $A$ 是一个 $2n \times 9$ 的矩阵， $h$ 是包含矩阵 $H$ 所有元素的列向量

$\begin{bmatrix} -x_1 & -y_1 & -1 & 0 & 0 & 0 & u_1x_1 & u_1y_1 & u_1 \\ 0 & 0 & 0 & -x_1 & -y_1 & -1 & v_1x_1 & v_1y_1 & v_1 \\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\ -x_n & -y_n & -1 & 0 & 0 & 0 & u_nx_n & u_ny_n & u_n \\ 0 & 0 & 0 & -x_n & -y_n & -1 & v_nx_n & v_ny_n & v_n \\ \end{bmatrix}$

$h=\begin{bmatrix}h1&h2&h3&h4&h5&h6&h7&h8&h9\end{bmatrix}$

奇异值分解（SVD）： 对矩阵 $A$ 进行奇异值分解，得到 $\Sigma V^T$ 。取 $V^T$ 的最后一列作为 $h$ 的估计

方程的最小二乘解有一个既定的结论，即对 $A$ 进行SVD分解，得到的 $V^T$ 的最后一行即是 $h$ 的解，对 $h$ 做 reshape 得到 $H$ 。

实现：

根据你提供的信息，DLT（Direct Linear Transform）算法用于通过最小二乘法来估计单应性矩阵 $H$ ，以拟合两组特征点之间的关系。下面是DLT算法的具体步骤：

构建矩阵 $A$ ： 对于每一对特征点 $(x, y, 1)$ 和 $(u, v, 1)$ ，构建一个对应的矩阵 $A_i$ 。将所有这些矩阵堆叠成一个大矩阵 $A$
```
def get_Ai(xi_vector, xi_prime_vector):
    assert (xi_vector.shape == (3,) and xi_prime_vector.shape == (3,))

    Ai = np.zeros((2, 9))
    Ai[0] = np.array(
        [-xi_vector[0], -xi_vector[1], -1, 0, 0, 0, xi_vector[0] * xi_prime_vector[0],
         xi_vector[1] * xi_prime_vector[0], xi_prime_vector[0]])
    Ai[1] = np.array(
        [0, 0, 0, -xi_vector[0], -xi_vector[1], -1, xi_vector[0] * xi_prime_vector[1],
         xi_vector[1] * xi_prime_vector[1], xi_prime_vector[1]])

    assert (Ai.shape == (2, 9))
    return Ai
```
$A_i = \begin{bmatrix} -x & -y & -1 & 0 & 0 & 0 & ux & vy & uv \\ 0 & 0 & 0 & -x & -y & -1 & ux & vy & uv \\ \end{bmatrix}$
```
def get_A(points_source, points_target):
    N = points_source.shape[0]
    A = np.zeros((2 * N, 9))
    for i in range(len(points_target)):
        Ai = get_Ai(points_source[i], points_target[i])
        A[2 * i:2 * i + 2] = Ai

    assert (A.shape == (2 * N, 9))
    return A
```
SVD分解： 对矩阵 $A$ 进行奇异值分解（SVD），得到 $\Sigma V^T$ 。取 $V^T$ 矩阵的最后一行作为矩阵 $h$
Reshape： 将向量 $h$ reshape 为 $\times 3$ 的单应性矩阵 $H$
```
def get_homography(points_source, points_target):
    A = get_A(points_source, points_target)
    _, _, Vt = np.linalg.svd(A)
    Homo = Vt[-1].reshape((3, 3))
    assert (Homo.shape == (3, 3))
    return Homo
```