0

In „<em>Multiple View Geometry in Computer Vision” R.Hartley,A.Zisserman in chapter 11 - about computation Fundamental Matrix one can read:

„<strong>11.7.3 The calibrated case

In the case of calibrated cameras normalized image coordinates may be used, and the essential matrix E computed instead of the fundamental matrix”</p>

Does it mean – if I have proper Intrinsic Cameras matrices (does it mean calibrated in this case?) I can calculate Essential Matrix directly (using 8 points algorithm) omitting calculating Fundamental Matrix?

And I can get matrices R and T from calculated Essential Matrix to reconstruction 3D model?

Regards,

Artik

4

3 回答 3

1

简短的回答，是的。另请参阅Wikipedia上的详细说明。

于 2014-01-27T14:23:00.040 回答
1

从您的对应关系中，使用 8 点算法，您可以获得基本矩阵 F。从关系 E=K'^TFK 中，假设您知道 K' 和 K（如果这两个图像是由同一台相机拍摄的，您有K'=K)，您可以计算 E。从 E 中，您可以得到 4 个可能的相机对 (P_0,P_0') (P_1,P_1')....(P_3,P_3')。这对中只有一个满足正深度约束（即 3D 点位于两个摄像机的前面）。那对夫妇将成为你的相机。希望这有帮助！

于 2014-01-30T17:09:38.397 回答
0

因此，通常，视觉里程计中的校准相机是指已知固有矩阵的相机。

在立体视觉里程计系统的情况下，我通常认为这意味着两个相机的内在矩阵都是已知的，但是，我的一些合作作品意味着它意味着两个相机之间的旋转和平移是已知的。

在实践中，两者之间几乎没有任何区别，因为您可以使用 MatLab 或 OpenCV 中的各种函数估计相机的内在矩阵，并且给定本能矩阵，您可以确定两个相机之间的旋转和平移。

此外，基本矩阵的推导依赖于两个相机的基本矩阵和本征矩阵（在单目视觉里程计的情况下，本征矩阵可以相同）。这意味着通常情况下，基本矩阵是估计的，而基本矩阵不是。

有关从基本矩阵获取旋转和平移的解释，我建议首先观看有关单值分解 (SVD) 的 youtube 视频，然后阅读：https ://www.researchgate.net/publication/220556161_Visual_Odometry_Tutorial 。

祝你学业好运，青年学者。

于 2020-01-10T16:07:15.747 回答