多視圖幾何總結(jié)——基礎(chǔ)矩陣、本質(zhì)矩陣和單應(yīng)矩陣的求解過程

• 多視圖幾何總結(jié)——基礎(chǔ)矩陣、本質(zhì)矩陣和單應(yīng)矩陣的求解過程
• • 1. 說明——其實(shí)求解過程大同小異
  • 2. 單應(yīng)矩陣求解過程
  • • 2.1 基于代數(shù)誤差的線性估計(jì)
    • • 2.1.1 解法一：最小二乘法 / 高斯消去法（最小配置解情況）
      • 2.1.2 解法二：DLT算法
    • 2.2 基于幾何誤差的非線性估計(jì)
  • 3. 基礎(chǔ)矩陣求解過程
  • • 3.1 基于代數(shù)誤差的線性估計(jì)
    • • 3.1.1 七個點(diǎn)——最小配置解情形
      • 3.1.2 八個點(diǎn)——線性解法
      • 3.1.3 n個點(diǎn)——八點(diǎn)法
    • 2.2 基于幾何誤差的非線性估計(jì)
  • 4. 本質(zhì)矩陣求解過程
  • • 4.1 基于代數(shù)誤差的線性估計(jì)
    • • 4.1.1 八點(diǎn)法
      • 4.1.2 五點(diǎn)法

多視圖幾何總結(jié)——基礎(chǔ)矩陣、本質(zhì)矩陣和單應(yīng)矩陣的求解過程

在《視覺SLAM十四講》中，僅僅給出了基礎(chǔ)矩陣、本質(zhì)矩陣和單應(yīng)矩陣的推導(dǎo)過程，并沒有詳細(xì)給出其求解過程，再看過《計(jì)算機(jī)視覺中的多視圖幾何》之后才發(fā)現(xiàn)這里面原來有這么多巧妙的地方，因此在這篇文章中予以總結(jié)。

1. 說明——其實(shí)求解過程大同小異

為什么說求解過程大同小異呢，不管是那種矩陣，在求解方法的分類上大致是都可以分為基于代數(shù)誤差的線性估計(jì)和基于幾何誤差的非線性估計(jì)，在基于代數(shù)誤差的線性估計(jì)中，不管是那種矩陣最后的形式一般都是$$Ax=b$$其中$A$是由匹配的點(diǎn)構(gòu)成的矩陣，而$x$是由待解的基礎(chǔ)矩陣或者單應(yīng)矩陣的元素構(gòu)成的向量，$b$是根據(jù)解法的不同而不同，在基于幾何誤差的非線性估計(jì)中，又幾乎都有黃金標(biāo)準(zhǔn)方法（重投影誤差）和一階幾何誤差（Sampson距離）等方法，因此我個人覺得是比較相似的，因此，我下文主要是單應(yīng)矩陣的求解過程詳解，其他矩陣主要說明不同。

2. 單應(yīng)矩陣求解過程

2.1 基于代數(shù)誤差的線性估計(jì)

首先我們知道，單應(yīng)矩陣的對應(yīng)點(diǎn)的方程為：$$H{x}_i=x_i^{\prime }$$其中有

通過令$x_i^{\prime }=(x_i^{\prime },y_i^{\prime },w_i^{\prime })$，求解$x_i^{\prime }\times H{x}_i=0$有

整理得

容易觀察到左邊的矩陣僅有兩個是線性獨(dú)立的，因此可以方程組變?yōu)?br />
注意上面都是針對一個點(diǎn)變換的，因此知道，一對匹配點(diǎn)可以構(gòu)造出兩個方程，而我們的單應(yīng)矩陣自由度是8，因此我們最少需要四對點(diǎn)進(jìn)行求解。

2.1.1 解法一：最小二乘法 / 高斯消去法（最小配置解情況）

上面方程的右側(cè)是一個9維的向量，其實(shí)就是H矩陣九個未知量，根據(jù)尺度不變性的理解，這里第一種方法是將尺度不變性理解為九個元素中間的某一個為1，這樣就消除了尺度不變性，假定選擇最后一個元素為1的話，方程就可以轉(zhuǎn)換為《視覺SLAM十四講》里面的方程

這是一個線性方程組，如果匹配點(diǎn)的數(shù)量多于4對點(diǎn)的話，就是超定方程，采用最小二乘法，如果是4對點(diǎn)的話，就是普通的非齊次線性方程組，采用高斯消去法就可以。
這種方法的確定是，如果所選為1的元素接近0，結(jié)果將導(dǎo)致不穩(wěn)定解，因此更推薦解法二。

2.1.2 解法二：DLT算法

上述方程形式為$Ah=x$，其中矩陣$A$為的秩為8，未知向量$h$的維數(shù)為9，如果四對點(diǎn)都是準(zhǔn)確點(diǎn)的話，上述方程存在一維的零空間，即存在一個線性解，但是如果匹配點(diǎn)都存在誤差的話，通常的做法是在約束$||h||=1$的最小化范數(shù)$||Ah||$，即求$||Ah||/||h||$的最小值問題，該問題解為$A^{T}A$的最小特征值的特征矢量，也就是$A$的最小奇異值的奇異矢量，總之其基本DLT算法步驟如下：

在多視圖幾何中證明了，DLT算法的結(jié)果與點(diǎn)的坐標(biāo)系有關(guān)，為了相處坐標(biāo)系的影響同時使DLT算法關(guān)于相似變換不變，提出了歸一化的問題，包括圖像坐標(biāo)的平移和尺度縮放，而歸一化是再DLT之前必須實(shí)施的。其步驟如下：
（1）對點(diǎn)進(jìn)行平移使其形心位于原點(diǎn)
（2）對點(diǎn)進(jìn)行縮放使他們到原點(diǎn)的平均距離等于$\sqrt{2}$
（3）對兩幅圖獨(dú)立進(jìn)行上述變換
因此歸一化的DLT算法如下：

2.2 基于幾何誤差的非線性估計(jì)

幾何誤差分好幾種情況，包括單圖像誤差、對稱轉(zhuǎn)移誤差和重投影誤差，如下圖

上圖的上半圖就是對稱轉(zhuǎn)移誤差，表示為

上圖的下半圖就是重投影誤差，表示為

可以通過DLT獲得其初始值，然后通過牛頓法或者列溫伯格法進(jìn)行迭代下降求得最后的值。

基于代數(shù)誤差的方法會更快，而基于幾何誤差的方法會根據(jù)魯棒性

3. 基礎(chǔ)矩陣求解過程

3.1 基于代數(shù)誤差的線性估計(jì)

基礎(chǔ)矩陣的求解方法和單應(yīng)矩陣就比較相似啦，不過還是有區(qū)別的，首先基本矩陣的方程如下：$$x_{i}F{x}_i^{\prime }=0$$與單應(yīng)矩陣不同的是，對于基本矩陣一對點(diǎn)只能確定一個約束方程，給定n對匹配點(diǎn)就得到如下方程組

下面我換個思路按照點(diǎn)的數(shù)量多少對求解方法進(jìn)行分類：

3.1.1 七個點(diǎn)——最小配置解情形

當(dāng)矩陣A的秩為7時，其解空間維數(shù)為2，因此會有$F_1$和$F_2$兩個解，同時$F$又要滿足$det(F)$的要求，因此添加一個強(qiáng)迫約束$det(\alpha F_1+(1?\alpha )F_2)=0$，此種情況下矩陣可能有一種或者三種解。

3.1.2 八個點(diǎn)——線性解法

這就是解解空間為1維的線性方程組

3.1.3 n個點(diǎn)——八點(diǎn)法

多視圖幾何中將n個點(diǎn)的解法成為八點(diǎn)法（明明不是八個點(diǎn)…）

其實(shí)就對應(yīng)著前面的求解單應(yīng)矩陣的DLT算法，歸一化的8點(diǎn)法就是歸一化 DLT算法，在此不贅述，需要注意的一點(diǎn)是，單應(yīng)矩陣不是奇異矩陣，而基礎(chǔ)矩陣是奇異矩陣（為什么是奇異矩陣參見MVG總結(jié)——基礎(chǔ)矩陣、本質(zhì)矩陣和單應(yīng)矩陣的自由度分析），因此需要添加一個強(qiáng)迫約束， 即求解在Frobenius范數(shù)下最接近$F$的奇異矩陣$F^{\prime }$代替$F$，采用SVD分解，具體解法如下：

2.2 基于幾何誤差的非線性估計(jì)

多視圖幾何中介紹的除了重投影誤差，還介紹了一種對稱對極點(diǎn)距離的幾何誤差，如下：

這里順便插一句，目前state of art的一種過濾動態(tài)物體的算法就是基于這種思想完成的DS SLAM

4. 本質(zhì)矩陣求解過程

4.1 基于代數(shù)誤差的線性估計(jì)

4.1.1 八點(diǎn)法

本質(zhì)矩陣的八點(diǎn)法求解與基礎(chǔ)矩陣是一致的，不同的一點(diǎn)是其強(qiáng)迫約束不同，因?yàn)楸举|(zhì)矩陣的性質(zhì)中有一條是其奇異值分解的兩個非零奇異值相等，因此再SVD的處理中按照如下方式處理;

4.1.2 五點(diǎn)法

5點(diǎn)算法的大概思路就是把本征方程展開，再加上本質(zhì)矩陣的充要條件。化簡后得到一個高次多項(xiàng)式方程，該多項(xiàng)式實(shí)數(shù)解中的一個確定出的本質(zhì)矩陣是系統(tǒng)的真實(shí)本質(zhì)矩陣，對偽解進(jìn)行剔除。該方法的具體原理可見論文An efficient solution to the five-point relative pose problem

總結(jié)大致如此， 有什么問題歡迎交流～

此外，對SLAM算法感興趣的同學(xué)可以看考我的博客SLAM算法總結(jié)——經(jīng)典SLAM算法框架總結(jié)

總結(jié)

以上是生活随笔為你收集整理的多视图几何总结——基础矩阵、本质矩阵和单应矩阵的求解过程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。