摘要:

本节重点在于左右像点之间的约束关系,左右像素点之间的约束关系。
本征矩阵E和基本矩阵F可以分别表示上述两约束关系

如非必要,可只看总结

Epipolar geometry is a description of the geometric relationship between a pair of stereo images. It is represented by the fundamental matrix F and is the minimal information necessary to determine the epipolar lines。

一、数学模型

二、本征矩阵的推导


其中,S与平移矩阵T有关,
S=⎡⎣⎢0Tz−Ty−Tz0TxTy−Tx0⎤⎦⎥S=[0−TzTyTz0−Tx−TyTx0]S=[0amp;−Tzamp;TyTzamp;0amp;−Tx−Tyamp;Txamp;0]S=⎡⎣⎢0Tz−Ty−Tz0TxTy−Tx0⎤⎦⎥S=[0−TzTyTz0−Tx−TyTx0] S=\begin{bmatrix}0& -T_z&T_y \\ T_z&0&-T_x \\ -T_y& T_x&0 \end{bmatrix}S=⎡⎣⎢0Tz−Ty−Tz0TxTy−Tx0⎤⎦⎥S=[0−TzTyTz0−Tx−TyTx0]S=⎣⎡​0Tz​−Ty​​amp;−Tz​amp;0amp;Tx​​amp;Ty​amp;−Tx​amp;0​⎦⎤​F=Mr−T​EMl−1​

2.性质

本征矩阵是秩为2、自由度为5的其次矩阵(旋转矩阵R和平移矢量t各有3个自由度,由于是齐次矩阵再减去一个自由度。)
基础矩阵是秩为2、自由度为7的齐次矩阵(3×3齐次矩阵有8个独立比率,还有一个满足约束detF=0的约束,所以再减去一个自由度)
二者关系:F is also known as the uncalibrated version of the essential matrix E

3.意义

意义:基础矩阵和本征矩阵提供了三维点到二维的约束条件。如果我们知道一幅图像中的某一点和基本矩阵,那么就能知道其对应的右图上的点一定是在一条直线上,这样就约束了两视角下的图像中的空间位置。基本矩阵是很有用的一个工具,在三维重建和特征匹配上都可以用到。


参考:
1.http://www.cnblogs.com/gemstone/articles/2294551.html
2.https://www.cnblogs.com/gemstone/archive/2011/12/20/2294805.html
3.https://blog.csdn.net/qq_40213457/article/details/80889187

补充:
可参考16个相机参数一文。

        </div>[添加链接描述](https://blog.csdn.net/weixin_43206570/article/details/84840919)

2.本征矩阵 基本矩阵以及对极几何之间的约束关系相关推荐

  1. 本质矩阵与基本矩阵(对极几何)

    知道相机成像原理与矩阵表达之后,我们依然是仅仅专注于单相机的成像,可我们知道单个相机图片并不能告诉我们物体的深度信息,这时至少需要两个相机,这样在两视图间内在的射影几何关系就是对极几何,而基本矩阵就算 ...

  2. 三维重建(一)外极几何,基础矩阵及求解

    最近在看三维重建的东西,把看到的东西总结一下. 一.外极几何 已知两个摄像头的光心 O O和O′O', P P为空间中的一点,pp和 p′ p'是点 P P在两个摄像头成的像中的投影. 平面OO′PO ...

  3. [OpenCV实战]49 对极几何与立体视觉初探

    本文主要介绍对极几何(Epipolar Geometry)与立体视觉(Stereo Vision)的相关知识.对极几何简单点来说,其目的就是描述是两幅视图之间的内部对应关系,用来对立体视觉进行建模,实 ...

  4. 内参矩阵、外参矩阵、旋转矩阵、平移矩阵、单应矩阵、本征矩阵、基础矩阵

    自己在单目结构光系统.双单目结构光系统及双目相机系统学习的过程中接触到如标题所列的各种矩阵,总感觉理解不到位,现在特总结下,方便日后查阅及修正自己的理解. 自己已经总结了单目相机各坐标系的变换,链接如 ...

  5. 立体视觉(Stereo Vision)-本征矩阵(essential matrix)和基本矩阵(fundamental matrix)

    1 物体深度 问题描述:从不同的位置拍摄相同物体的两张图片,恢复其深度 这里假设摄像机的镜头平行 由相似三角形: 由上面第一.二等式可得: 深度与视差成反比 2 如何配对左右图片的点 问题描述:已知两 ...

  6. 3月9日 笔记:RANSAC随机样本一致性,灭点、对极几何计算、H矩阵、PNP估计相机位置,3D匹配、投影变换、N点定位求解姿态

    [修订]: 2020-03-11:特征匹配 分为:(1)2D-2D : (2)2D-3D : (3)3D-3D https://www.zhihu.com/question/51510464 2D-2 ...

  7. SLAM笔记(四)运动恢复结构的几何数学(本征矩阵、单应矩阵、基础矩阵)

    1. 间接法进行运动恢复的前提假设 对于结构与运动或视觉三维重建中,通常假设已经通过特征匹配等方法获取了匹配好的点对. 先求出匹配点对再获取结构和运动信息的方法称作间接法. 间接法最重要的三个假设是: ...

  8. 极几何,本质矩阵,基础矩阵,单应矩阵,相机投影矩阵

    什么是三角化? 三角化就是下图的红字部分:K和K'分别为两个相机的内参矩阵 什么是极几何? 极几何描述了同一场景或者物体在两个视点图像间的对应关系. 下图中的O1和O2分别是两个相机的光心,即摄像机坐 ...

  9. 关于回答「对极几何与基本矩阵」的几点感悟

      这个问题是由星球中小伙伴提出来的.之前自己在研究双目视觉以及立体相机,可是对于这样的问题,让我用很精炼的语句回答他,一时间我确实很为难.   不过选择慎重地对待每一个问题.带着问题,利用周末时间又 ...

最新文章

  1. Python django实现简单的邮件系统发送邮件功能
  2. Linux系列-Red Hat5平台下的LAMP网站服务搭建(四)
  3. 安卓 简单的登录案例
  4. 线程池用过吗?ThreadPoolExecutor谈谈你的理解? —— 为什么用线程池?优势?|| 线程池如何使用?
  5. Collection集合中的 contains 和 remove 使用深入——为什么要重写equals() ?
  6. canvas手机端绘图解决方案
  7. NRF24L01+ 自动重发,自动应答BUG
  8. 落在我手里,今天你能嫁出去算我输!
  9. Audacity Mac版教程,使用Audacity编辑音频波形图的方法步骤
  10. C++调用Go方法的字符串传递问题及解决方案
  11. C++11 处理时间和日期的处理,以及chrono库介绍
  12. 这就是程序员被大厂偏爱的实力!
  13. linux dev input使用消失_Linux驱动04 | 启动分析之根文件系统
  14. PostgreSQL ALTER TABLE中改变数据类型时USING的用法转
  15. spring读取jdbc(file方式)
  16. MySql入门基础讲解
  17. ai人工智能让女神_人工智能可能只会让你兴奋不已
  18. 谷歌跟oracle_Google vs Oracle –判决临近,Oracle的知识产权案件步履蹒跚
  19. Asp.NET Excel导入数据返回JSON字符
  20. 拼团小程序源码_微信小程序拼团系统为什么很多商家开发

热门文章

  1. Springboot 解决跨域的四种姿势
  2. 简谈Redis的线程模型
  3. wpf 修改label值_WPF 获取动态添加控件的值
  4. python知识:如何多窗口切换
  5. Halcon知识:segment_contours_xld算子
  6. Ubuntu 安装docker-engine的三种方法
  7. Halcon初学者知识【15】图像的定义域Domain
  8. java ear war_[JAVA语法]怎样制作ear,war文件
  9. 赌徒都应该明白的道理:通过简单计算告诉你为什么久赌必输
  10. 用electron-forge创建一个项目