从基本矩阵中提取平移和旋转

Extract Translation and Rotation from Fundamental Matrix

本文关键字：旋转 提取      更新时间：2023-10-16

我试图从计算的基本矩阵中检索平移和旋转向量。我确实使用OpenCV，一般方法来自维基百科。我的代码是这样的:

//Compute Essential Matrix
Mat A = cameraMatrix(); //Computed using chessboard
Mat F = fundamentalMatrix(); //Computed using matching keypoints
Mat E = A.t() * F * A;
//Perfrom SVD on E
SVD decomp = SVD(E);
//U
Mat U = decomp.u;
//S
Mat S(3, 3, CV_64F, Scalar(0));
S.at<double>(0, 0) = decomp.w.at<double>(0, 0);
S.at<double>(1, 1) = decomp.w.at<double>(0, 1);
S.at<double>(2, 2) = decomp.w.at<double>(0, 2);
//V
Mat V = decomp.vt; //Needs to be decomp.vt.t(); (transpose once more)
//W
Mat W(3, 3, CV_64F, Scalar(0));
W.at<double>(0, 1) = -1;
W.at<double>(1, 0) = 1;
W.at<double>(2, 2) = 1;
cout << "computed rotation: " << endl;
cout << U * W.t() * V.t() << endl;
cout << "real rotation:" << endl;
Mat rot;
Rodrigues(images[1].rvec - images[0].rvec, rot); //Difference between known rotations
cout << rot << endl;

最后，我尝试将估计的旋转与我使用每个图像中的棋盘计算的旋转进行比较(我计划在没有棋盘的情况下获得外部参数)。例如，我得到这个:

computed rotation:
[0.8543027125286542, -0.382437675069228, 0.352006107978011;
  0.3969758209413922, 0.9172325022900715, 0.03308676972148356;
  0.3355250705298953, -0.1114717965690797, -0.9354127247453767]
real rotation:
[0.9998572365450219, 0.01122579241510944, 0.01262886032882241;
  -0.0114034800333517, 0.9998357441946927, 0.01408706050863871;
  -0.01246864754818991, -0.01422906234781374, 0.9998210172891051]

很明显好像有问题，我就是想不出是什么。

编辑:以下是我用未转置的vt得到的结果(显然来自另一个场景):

computed rotation: 
[0.8720599858028177, -0.1867080200550876, 0.4523842353671251;
 0.141182538980452, 0.9810442195058469, 0.1327393312518831;
-0.4685924368239661, -0.05188790438313154, 0.8818893204535954]
real rotation
[0.8670861432556456, -0.427294988334106, 0.2560871201732064;
 0.4024551137989086, 0.9038194629873437, 0.1453969040329854;
-0.2935838918455123, -0.02300806966752995, 0.9556563855167906]

这是我的计算相机矩阵，误差很低(约0.17…)。

[1699.001342509651, 0, 834.2587265398068;
  0, 1696.645251354618, 607.1292618175946;
  0, 0, 1]

这是我在尝试重新投影立方体时得到的结果…摄像机0，立方体与坐标轴对齐，旋转和平移为(0,0,0)。图像http://imageshack.us/a/img802/5292/bildschirmfoto20130110u.png

和另一个，与第一个图像中的点的尾线。图像http://imageshack.us/a/img546/189/bildschirmfoto20130110uy.png

请看下面的链接:

DIKU-3DCV2/资料/Lecture16.pdf。

替代链接

参见第2页。r有两种可能，第一种是UWVT，第二种是UWTVT。你用的是第二种。

8点算法是计算基本矩阵的最简单方法，但如果注意的话，您可以很好地执行它。在构造求解方程之前，对输入数据进行适当的规范化处理是获得良好结果的关键。很多算法都能做到。像素点坐标必须更改为相机坐标，您可以在这一行进行更改:

Mat E = A.t() * F * A;

然而，这个假设是不准确的。如果摄像机标定矩阵K已知，则可以对点x应用逆，得到归一化坐标表示的点。

X_{norm}= K.inv()*X_{pix}，其中X_{pix}(2), z = 1。

在8PA的情况下，简单的点变换提高了结果的稳定性。建议的归一化是对每个图像进行平移和缩放，使参考点的质心位于坐标的原点，并且点到原点的均方根距离等于sqrt{2}。请注意，建议在非正规化之前执行奇点条件。

参考:如果:你仍然感兴趣，请查看

相关文章：