1

我正在尝试从两个校准的相机重建 3d 图像。涉及的步骤之一是计算 3x3 基本矩阵E，从两组对应（齐次）点（超过所需的 8 个）P_a_orig和P_b_orig两个相机的 3x3 内部校准矩阵K_a和K_b。

我们首先将我们的点标准化

P_a = inv(K_a) * p_a_orig

和

P_b = inv(K_b) * p_b_orig

我们也知道约束

P_b' * E * P_a = 0

我一直在关注它，但是你如何真正解决最后一个问题，例如找到E矩阵的九个值？我已经阅读了关于这个主题的几个不同的讲义，但它们都忽略了关键的最后一步。可能是因为它被认为是微不足道的数学，但我不记得我上次这样做是什么时候，而且我还没有找到解决方案。

4

2 回答 2

1

这个方程实际上在几何算法中很常见，本质上，你试图从方程AXB=0计算矩阵X。为了解决这个问题，你对方程进行矢量化，这意味着， 在此处输入图像描述

vec() 表示矩阵的向量化形式，即简单地将矩阵的列一个一个地堆叠起来以产生一个单一的列向量。如果你不知道这个看起来很吓人的符号的含义，它被称为 Kronecker 产品，你可以从这里阅读它，它很简单，相信我 :-)

现在，假设我将B^T和A的 Kronecker 乘积获得的矩阵称为C。然后，vec(X)是矩阵C的零向量，获得它的方法是通过对C^TC进行SVD 分解（C 转置乘以 C）并取矩阵V的最后一列。最后一列只不过是您的vec(X)。将 X 重塑为 3 x 3 矩阵。这是你的基本矩阵。

如果你觉得这个数学太难编码，只需使用 Y.Ma et.al 的以下代码：

%  p are homogenius coordinates of the first image of size 3 by n
%  q are homogenius coordinates of the second image of size 3 by n

function [E]  = essentialDiscrete(p,q)

n = size(p);
NPOINTS = n(2);

% set up matrix A such that A*[v1,v2,v3,s1,s2,s3,s4,s5,s6]' = 0
A = zeros(NPOINTS, 9);

if NPOINTS < 9
     error('Too few mesurements')
     return;
end

for i = 1:NPOINTS
  A(i,:) = kron(p(:,i),q(:,i))';
end
r = rank(A);

if r < 8 
  warning('Measurement matrix rank defficient')
  T0 = 0; R = [];
end;

[U,S,V] = svd(A);

% pick the eigenvector corresponding to the smallest eigenvalue
e = V(:,9);
e = (round(1.0e+10*e))*(1.0e-10);
% essential matrix 
E = reshape(e, 3, 3);
于 2014-09-30T14:35:37.847 回答
0

你可以做几件事：

  • 可以使用8 点算法估计基本矩阵，您可以自己实现该算法。
  • 您可以使用estimateFundamentalMatrix计算机视觉系统工具箱中的函数，然后从基本矩阵中获取基本矩阵。
  • 或者，您可以使用计算机视觉系统工具箱中的estimateCameraParameters函数校准立体相机系统，该函数将为您计算基本矩阵。
于 2014-09-29T14:33:27.133 回答