从零开始学习SLAM(五):极几何与极约束

文章参考计算机视觉life

前备知识

概念

几何关系:

上图中:

极平面(Epipolar plane):点c0, c1, p三点确定的平面;

极点(Epipoles): c0 c1 连线与两个平面的交点

基线(Baseline):c0 c1的连线

极线(Epipolar line):极平面与两像平面的交线

旋转矩阵:R

平移矩阵:t

旋转平移矩阵:T

内参:焦距,归一化坐标

外参:旋转、平移矩阵

向量叉乘和点乘的概念:

叉乘只在三维空间中有定义,比如两个向量 a和b 的叉乘写作 a x b,它是与向量 a, b都垂直的向量,其方向通过右手定则决定。

点乘:

a * b = ||a||* ||b|| *cos(θ)

因此如果两个互相垂直的向量点乘,cos(θ) = 0,点乘结果也为0。

极约束推理

上图表示的是一个运动的相机在两个不同位置的成像,其中:

左右两个平行四边形分别是相机在不同位置的成像平面C0, C1分别是两个位置中相机的光心,也就是针孔相机模型中的针孔P是空间中的一个三维点,p0, p1分别是P点在不同成像平面上对应的像素点。

如果将点P沿着C0-P0所在的直线移动,你会发现P在左边相机的成像一直不变,都是P0,这时候P在右边相机的成像点p1是一直在变化的

现在我们把极平面中C0-C1-P0-P1单拎出来,看下面的图,由于C0-C1-P-P0-P1都是共面的,所以得到结论一:

也就是说 一个同时垂直于C0C1与C1P1的向量也垂直于C0P0

p0, p1都是图像上的二维点,不过,这里我们会把它变成三维的方向向量来考虑我们假设一个归一化的图像平面,该平面上焦距f =1 ,因此我们可以定义在以C0为原点的坐标系下

而在以C1为原点的坐标系下

事实上,你在C0-C1-p0-p1组成的极平面上,保证的方向不变,在极平面上随便移动,结论1中等式都成立。同样的道理,在极平面上,保证

方向不变,在极平面上随便移动,结论1中等式仍然都成立。

p0在以C0为原点的参考坐标系,p1在以C1为原点的参考坐标系,所以我们还是需要转换坐标系。这里我们把所有点的坐标都转换到以C0为原点的坐标系。前面说过这些向量都是方向向量和向量起始位置无关,所以这里坐标系变换只考虑旋转就可以。我们记 R 为从C1坐标系到C0坐标系的旋转矩阵

小白:那么 RP1 就是P1在以C0为原点的C0坐标系了,所以在C0坐标系下结论一可以改写为:



已知:p0TEP1 = 0

根据上一节知识点

从世界坐标系到相机坐标系的公式为:

那么z=1时从相机坐标系到图像坐标系的公式就为, p0 = k-1p0', p1 = k-1p1'

p0TEP1 = 0 ----> p0'T k-TEk-1p1' = p0'T(k-TEk-1)p1' = p0'TFp1'

这里的F 即为基本矩阵 ,E即为本质矩阵,所以本质矩阵和基本矩阵的区别在于,本质矩阵是使用归一化相机坐标系下的点表示极线约束,基本矩阵是使用图像坐标系下的点表示极线约束的。

相关推荐
qq_4298796716 小时前
OpenGL里相机的运动控制
数码相机
格林威16 小时前
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现卫星图像识别(C#代码,UI界面版)
人工智能·深度学习·数码相机·yolo·计算机视觉
安卓开发者17 小时前
Android CameraX 使用指南:简化相机开发
android·数码相机
格林威1 天前
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现沙滩小人检测识别(C#代码UI界面版)
人工智能·深度学习·数码相机·yolo·计算机视觉
格林威1 天前
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现轮船检测识别(C#代码UI界面版)
人工智能·深度学习·数码相机·yolo·视觉检测
lqjun08272 天前
相机内外参矩阵:从3D世界坐标到2D像素坐标变换
数码相机·3d·矩阵
格林威2 天前
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现持械检测(C#代码,UI界面版)
人工智能·深度学习·数码相机·yolo·计算机视觉
ZPC82103 天前
相机ROI 参数
数码相机
lingling0093 天前
精准扫描,驱动未来:迁移科技3D视觉系统在工业自动化中的革命性应用
人工智能·数码相机
Cedric11133 天前
显微科研中的关键选择:不同显微镜相机技术特性与应用适配性全面解析
数码相机