本质矩阵
根据定义，本质矩阵 E E E是一个3X3矩阵，有9个未知数，其有如下特征：
- 本质矩阵是有对极约束定义的
- 根据 E = t ^ R E=t\hat{}R E=t^R证得本质矩阵E的奇异值必定是 [ σ σ 0 ] T [\sigma \sigma 0]^T [σσ0]T的形式，这成为本质矩阵的内在性质
- 由于平移和旋转各有3个自由度（共6个自由度），又有尺度等价性，故 E E E有5个自由度
八点法
由于
E
E
E有5个自由度，所以通常由8点法来估计
E
E
E，这就是8点法，设
x
1
=
[
u
1
,
v
1
,
1
]
T
x_1=[u_1, v_1, 1]^T
x1=[u1,v1,1]T,
x
2
=
[
u
2
,
v
2
,
1
]
T
x_2=[u_2, v_2, 1]^T
x2=[u2,v2,1]T为一对匹配归一化坐标点，根据对极约束有
(
u
1
,
v
1
,
1
)
(
e
1
e
2
e
3
e
4
e
5
e
6
e
7
e
8
e
9
)
(
u
2
v
2
1
)
=
0
(u_1, v_1,1) \Bigg (\begin{matrix} e_1&e_2&e_3\\e_4&e_5&e_6\\e_7&e_8&e_9 \end{matrix}\Bigg) \Bigg (\begin{matrix} u_2\\v_2\\1 \end{matrix}\Bigg) =0
(u1,v1,1)(e1e4e7e2e5e8e3e6e9)(u2v21)=0
把矩阵E展开，写成向量形式，
e
=
(
e
1
e
2
e
3
e
4
e
5
e
6
e
7
e
8
e
9
)
T
e=(\begin{matrix} e_1&e_2&e_3&e_4&e_5&e_6&e_7&e_8&e_9 \end{matrix})^T
e=(e1e2e3e4e5e6e7e8e9)T
因此对极约束可以写成与e有关的线性形式
(
u
2
v
1
u
2
v
1
u
2
u
2
v
1
u
2
v
1
v
2
v
1
1
)
e
=
0
(\begin{matrix} u_2v_1&u_2v_1&u_2&u_2v_1&u_2v_1&v_2&v_1&1 \end{matrix})e=0
(u2v1u2v1u2u2v1u2v1v2v11)e=0
对于其他点也有相同的表示，把所有点放到一个方程中，变为线性方程组：
(
u
2
1
v
1
1
u
2
1
v
1
1
u
2
1
u
2
1
v
1
1
u
2
1
v
1
1
v
2
1
v
1
1
1
u
2
2
v
1
2
u
2
2
v
1
2
u
2
2
u
2
2
v
1
2
u
2
2
v
1
2
v
2
2
v
1
2
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
u
2
8
v
1
8
u
2
8
v
1
8
u
2
8
u
2
8
v
1
8
u
2
8
v
1
8
v
2
8
v
1
8
1
)
(
e
1
e
2
.
.
.
.
.
.
e
9
)
=
0
(
矩
阵
)
\Bigg(\begin{matrix} u_2^1v_1^1&u_2^1v_1^1&u_2^1&u_2^1v_1^1&u_2^1v_1^1&v_2^1&v_1^1&1 \\u_2^2v_1^2&u_2^2v_1^2&u_2^2&u_2^2v_1^2&u_2^2v_1^2&v_2^2&v_1^2&1 \\...&&&&...&&&...\\...&&&&...&&&...\\u_2^8v_1^8&u_2^8v_1^8&u_2^8&u_2^8v_1^8&u_2^8v_1^8&v_2^8&v_1^8&1 \\ \end{matrix}\Bigg)\Bigg(\begin{matrix}e_1\\e_2\\...\\...\\e_9 \end{matrix}\Bigg)=0(矩阵)
(u21v11u22v12......u28v18u21v11u22v12u28v18u21u22u28u21v11u22v12u28v18u21v11u22v12......u28v18v21v22v28v11v12v1811......1)(e1e2......e9)=0(矩阵)
其系数矩阵由特征点的位置构成大小为8X9，e位于该矩阵的零空间中，如果系数矩阵是满秩的（秩为8），e的各元素可由上述方程求得，根据估得的E恢复出相机运动Rt，这个过程由SVD分解求得。设E的SVD为
E
=
U
D
V
T
E=UDV^T
E=UDVT,其中U、V为正交矩阵，D为奇异值对角阵
D
=
d
i
a
g
(
σ
,
σ
,
0
)
D=diag(\sigma,\sigma,0)
D=diag(σ,σ,0)在SVD中存在两个可能的tR与其对应
t
1
^
=
U
R
z
(
π
2
)
Σ
U
T
t_1\hat{}=UR_z(\frac\pi2)\Sigma U^T
t1^=URz(2π)ΣUT
t
2
^
=
U
R
z
(
−
π
2
)
Σ
U
T
t_2\hat{}=UR_z(-\frac\pi2) \Sigma U^T
t2^=URz(−2π)ΣUT
R
1
=
U
R
z
T
(
−
π
2
)
Σ
V
T
R_1=UR_z^T(-\frac\pi2)\Sigma V^T
R1=URzT(−2π)ΣVT
R
2
=
U
R
z
T
(
π
2
)
Σ
V
T
R_2=UR_z^T(\frac\pi2) \Sigma V^T
R2=URzT(2π)ΣVT
R
z
(
π
2
)
=
(
0
−
1
0
1
0
0
0
0
0
)
R_z(\frac\pi2)=\Bigg(\begin{matrix}0&-1&0\\1&0&0\\0&0&0 \end{matrix}\Bigg)
Rz(2π)=(010−100000)表示沿Z轴旋转90度的矩阵
实际计算中
D
=
d
i
a
g
(
σ
1
,
σ
2
,
σ
3
)
D=diag(\sigma_1,\sigma_2,\sigma_3)
D=diag(σ1,σ2,σ3) 设
σ
1
≥
σ
2
≥
σ
3
\sigma_1\geq \sigma_2\geq \sigma_3
σ1≥σ2≥σ3,舍弃第三个并且用
σ
1
\sigma_1
σ1,
σ
2
\sigma_2
σ2均值代入计算
即：
E
=
U
d
i
a
g
(
σ
1
+
σ
2
2
,
σ
1
+
σ
2
2
,
0
)
V
T
E=Udiag(\frac{\sigma_1+\sigma_2}2,\frac{\sigma_1+\sigma_2}2,0)V^T
E=Udiag(2σ1+σ2,2σ1+σ2,0)VT
824
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
