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:已知两张图像,由不同的照相机拍下,在左图中选一点,

如何在右图中找到对应的点。

由上图可知,

左图中点 x 对应在右图中的点位于线段 l' 上

右图中点 x‘ 对应在左图中的点位于线段 l 上

2.1 极线几何(epipolar geometry)的基本概念

  • 基线(baseline): 连接两个照相机中心点的线段,如图中的OO'。
  • 极平面(epipolar plane): 由两个相机中心点, 和物体X组成的平面,如图中的OO'X。
  • 极点(epipoles): 基线与两张图像的交点,如图中的e, e'。
  • 极线(epipolar lines): 极平面与两张图像的交线,如图中的 l ,l'。

2.2 极线约束(epipolar constraint)

2.2.1 calibrated case

这种情况,相机的内参和外参已知,极线几何工作在一对归一化相机(normalized camera).

归一化相机(normalized camera)使形成的归一化图像平面位于Z=1处。

图像归一化( image normalization)是指对图像进行了一系列标准的处理变换,使之变换为一固定标准形式的过程。

归一化的图像可以减少几何变换的影响,加快梯度下降求最优解的速度。

在世界坐标系中,如果把一个相机位于原点,另一个相机的位置可以通过旋转和平移得到。

两者关系如下图所示,右边相机的位置可以通过旋转(R)和平移(T)得到。

从上图可知: 向量Rx, 位移 t 和 点 x' 共面,所以:

其中矩阵 E 为本征矩阵(essential matrix)

由于 矩阵 [ tx] 的秩为2, 矩阵R的秩为3,所以 E 的秩为2. 

E有5个未知数(2个平移,3个旋转)。

在向量的叉乘运算中,把第一个向量写成矩阵的形式:

其中矩阵 [ax] 的秩为2.

假设右边图像上点x'=(u', v')

穿过点 x' 的 直线 l' 可以表示为:au’+bv'+c=0;

其中沿直线 l' 的向量可以表示为:l'=\begin{bmatrix} a & b & c \end{bmatrix}^T

所以 x'^Tl'=0 或 l'^Tx'=0

  • l'=Ex,即左图中点 x 对应的右图中的点 x' 位于线段 l' 上
  • 同理,l=E^Tx' ,即右图中点 x‘ 对应的左图中的点 x 位于线段 l 上
  • Ee=0 
  • E^Te'=0

2.2.2 Uncalibrated case

在这种情况下,两个相机的内参矩阵 K 和 K’ 未知。

从相机坐标系到像素坐标系的对应关系:

x_p=Kx_c

其中 x_p 为像素点坐标,x_c 为相机坐标系的坐标,K 为内参矩阵。

x_c=K^{-1}x_p

代入上式:x'^TEx=0

化简:

(K'^{-1}x_p')^TE(K^{-1}x_p)=0 \\[0.1mm]\\\Rightarrow (x_p'^TK'^{-T})E(K^{-1}x_p)=0\\[0.1mm] \\\Rightarrow x_p'^T(K'^{-T}EK^{-1})x_p=0

令 F=K'^{-T}EK^{-1}

则:x_p'^TFx_p=0

F 称为基本矩阵(fundamental matrix)

与calibrated case 类似,uncalibrated case也有类似的结论:

  • l'=Fx, 即左图中像素点 x 对应的右图中的像素点 x' 位于线段 l' 上
  • l'=F^Tx', 即右图中像素点 x‘ 对应的左图中的像素点 x 位于线段 l 上
  • Fe=0
  • F^Te'=0

如果觉得上面的推论有跳跃性,下面链接的博客推导非常详细:

计算机视觉基础4——对极几何(Epipolar Geometry)

计算机视觉基础5——本质矩阵与基本矩阵(Essential and Fundamental Matrices)

 

3 求解基本矩阵(fundamental matrix)

已知两对点:

转化为凸优化问题:

其解为:A^TA的最小特征值的特征向量。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/492165.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

重磅:苹果高通和解!英特尔退出5G基带市场,高通股价暴涨超20%,华为依然淡定...

来源:新浪、量子位等,物联网智库整理摘要:没有永恒的朋友,只有永恒的利益。前一阵子还是“牛夫人”,今天就变成“小甜甜”了。没有永恒的朋友,只有永恒的利益。前一阵子还是“牛夫人”,今天就变…

计算图像的景深

在 上一篇 博客中,景深与视差成反比,其公式为: 为焦距, 为左右相机的距离,分别为两张图像的点距离各自中心点的距离。 对于左图像的每一个像素点 ,求图像景深可以分为以下几步, 在右图中&…

地球是否健康,最新“诊断报告”来了

中国南极中山站附近的冰盖、冰川与冰山。新华社发来源:光明日报4月13日,河北安平,游客在畅游油菜花海。新华社发对地球气候变化的科学诊断,要依赖一些数据指标:全球平均温度、海平面高度、南极冰川厚度等。4月初&#…

Structure from motion 问题

1 问题描述 已知一个图像库,里面有很多从不同角度不同具体拍摄同一物体的照片,求 构建该物体的3D模型找出这些图像的拍照位置 如下图所示: 2 用数学语言描述问题 输入:一批图像,隐含着许多对应点 输出:…

Nature新研究:猪脑死亡4小时后,科学家成功恢复脑细胞功能

来源:DeepTech深科技4 月 18 日 Nature 发表了耶鲁大学研究人员的一篇最新成果,科学家们成功在猪脑死亡 4 小时后恢复其脑循环和部分细胞功能。这一发现挑战了长期以来关于死后某些脑功能停止的时间和不可逆转性质的假设。哺乳动物大脑对于供氧水平下降极…

集成方法Ensemble Method(bagging, AdaBoost)

1 主要思想 将原始数据分成几个组训练一组分类器,里面有很多种弱分类器每个分类器的标签看作一次投票,投票最多的标签为最终标签 其架构如下所示: 2 为什么集成方法可行 假设这里有25个训练的弱分类器,且这些分类器独立工作&…

深度解析“中国制造2025”VS德国“工业4.0”,一场没有硝烟战争

来源:世界科技创新论坛摘要:“中国制造2025”与德国“工业4.0”都是在新一轮科技革命和产业变革背景下针对制造业发展提出的一个重要战略举措。比较两个战略可以看出各有特点,除了技术基础和产业基础不同之外,他们还存在战略思想等…

Imbalanced class problem(ROC, Confusion Matrix)

1 何为 Imbalanced class problem 在分类问题中,有时候一种类别的数据会远远的多于另外一种类别, 但正是这些少量的类别的数据,往往又是极其重要的。 比如信用卡欺诈事件,该事件远远地小于信用卡未被欺诈的事件。 要从信用卡操…

浅谈 EHT 黑洞照片拍摄原理

来源:东晓科学网博客前几天,EHT (Event Horizon Telescope)(事件水平线望远镜)研究团队发布重大新闻,公布了人类首次拍到的黑洞“照片“”,同时公布了7篇由200多名科学家署名的相关论文。所谓黑…

积分图像(Integral image)

1 问题起源 给定一幅灰度图像,其灰度值如下图所示, 要计算图中深色区域的所有像素点的灰度值之和。 最直接,简单的方法就是将这9个像素值直接相加。 如果深色区域扩大,里面包含成千上万个像素,这种算法的时间复杂度…

vue3(七)-基础入门之事件总线与动态组件

一、事件总线 事件总线使用场景&#xff1a; 两个兄弟组件之间的传参&#xff0c;或者两个没有关联的组件之间的传参 html &#xff1a;引入 publicmsg 与 acceptmsg 自定义组件 (自定义组件名称必须小写) <body><div id"app"><publicmsg></…

机器学习竞争其实是一场数据上的竞争

来源&#xff1a;网络大数据摘要&#xff1a;人工智能的三大发展要素已经是老生常谈了。算法、算力和数据对机器学习的重要性和声望不亚于“谦哥”的喝酒、烫头和抽烟。那些热衷竞争实施机器学习的公司现在惊讶地发现&#xff0c;其实&#xff0c;实施一些算法使机器变得对某一…

实验五 — — Java网络编程及安全

java的第五个实验——Java网络编程及安全 北京电子科技学院 实 验 报 告 课程&#xff1a;Java程序设计  班级&#xff1a;1352  姓名&#xff1a;林涵锦  学号&#xff1a;20135213 成绩&#xff1a; 指导教师&#xff1a;娄嘉鹏    实验日期&…

Viola-Jones人脸检测详解

在人脸检测中&#xff0c;Viola-Jones算法是一种非常经典的算法&#xff0c;该算法在2001年的CVPR上提出&#xff0c;因其高效快速的检测而被广泛使用。 这个算法用来检测正面的人脸图像&#xff0c;对于侧脸图像的检测不是很稳健。 算法可以被分为以下几个部分&#xff1a; …

中国的高铁世界第一,为何汽车却和德国、日本差距很大?

来源&#xff1a;中国经济大讲堂摘要&#xff1a;靠引进技术发展&#xff0c;可以换来制造技术&#xff0c;建成一定规模、一定水平的体系。但我们在抓住机遇、引进技术发展的同时&#xff0c;或者发展的后期&#xff0c;等我们有了市场&#xff0c;有了钱之后&#xff0c;应该…

硬核干货|揭示波士顿动力机器人背后的专利技术(上)

来源&#xff1a;超凡知识产权&#xff0c;机器人大讲堂整理发布摘要&#xff1a;如果说在腿足机器人领域里&#xff0c;有一个让人闻之色变的变态企业&#xff0c;那就非波士顿动力莫属了。深耕几十年的技术积累加上“不谙世事”的科研态度&#xff0c;使得BD一直保持在腿足机…

(Python+Tensorflow)编程踩坑集锦

(PythonTensorflow)编程踩坑集锦 1 开发环境安装 推荐视频&#xff1a;https://www.icourse163.org/learn/PKU-1002536002?tid1452937471#/learn/content?typedetail&id1229556595&cid1246770451&replaytrue 1.1 Tensorflow2安装过程&#xff08;Win10平台&am…

复盘亚马逊从优秀到卓越的24年

来源&#xff1a;方证证券4月18日&#xff0c;据报道&#xff0c;亚马逊公司计划在今年7月中旬关闭其在中国的本土电商业务&#xff0c;将业务重点转移至更有盈利空间的海外购和云服务上。对此&#xff0c;亚马逊方面4月18日回应澎湃新闻记者称&#xff0c;“明确的是&#xff…

深度!移动机器人(AGV)产业链全分析

来源&#xff1a;广证恒生、乐晴智库精选产业链&#xff1a;下游需要求旺盛带动下游产业链发展 移动机器人(AGV)是工业机器人的一种。它由计算机控制&#xff0c;具有移动、自动导航、多传感器控制、网络交互等功能&#xff0c;在实际生产中最主要的用途是搬运&#xff0c;可以…

英国前首相:为什么欧洲没有诞生互联网巨头?

David William Donald Cameron&#xff08;戴维威廉唐纳德卡梅伦&#xff09;见面会现场来源&#xff1a;世界科技创新论坛英国当地时间2019年4月12日&#xff0c;世界科技创新论坛伦敦峰会成功举行&#xff0c;本次峰会特别邀请了出身牛津大学、英国近两百年历史上最年轻的首相…