[英]Decomposition of Essential Matrix: Validation of the four possible solutions for R and T
我想使用OpenCV进行动态结构。 到目前为止,我已经有了基本面和基本面。 有了基本矩阵,我正在做SVD以获取R和T。
我的问题是我为R有2种可能的解决方案,为T有2种可能的解决方案,这导致整个姿势有4种解决方案,其中4种解决方案中只有一种是正确的。 如何找到正确的解决方案?
这是我的代码:
private void calculateRT(Mat E, Mat R, Mat T){
Mat w = new Mat();
Mat u = new Mat();
Mat vt = new Mat();
Mat diag = new Mat(3,3,CvType.CV_64FC1);
double[] diagVal = {1,0,0,0,1,0,0,0,1};
diag.put(0, 0, diagVal);
Mat newE = new Mat(3,3,CvType.CV_64FC1);
Core.SVDecomp(E, w, u, vt, Core.DECOMP_SVD);
Core.gemm(u, diag, 1, vt, 1, newE);
Core.SVDecomp(newE, w, u, vt, Core.DECOMP_SVD);
publishProgress("U: " + u.dump());
publishProgress("W: " + w.dump());
publishProgress("vt:" + vt.dump());
double[] W_Values = {0,-1,0,1,0,0,0,0,1};
Mat W = new Mat(new Size(3,3), CvType.CV_64FC1);
W.put(0, 0, W_Values);
double[] Wt_values = {0,1,0-1,0,0,0,0,1};
Mat Wt = new Mat(new Size(3,3), CvType.CV_64FC1);
Wt.put(0,0,Wt_values);
Mat R1 = new Mat();
Mat R2 = new Mat();
// u * W * vt = R
Core.gemm(u, Wt, 1, vt, 1, R2);
Core.gemm(u, W, 1, vt, 1, R1);
publishProgress("R: " + R.dump());
// +- T (2 possible solutions for T)
Mat T1 = new Mat();
Mat T2 = new Mat();
// T = u.t
u.col(2).copyTo(T1);
publishProgress("T : " + T.dump());
Core.multiply(T, new Scalar(-1.0, -1.0, -1.0), T2);
// TODO Here I have to find the correct combination for R1 R2 and T1 T2
}
从其基本矩阵重建两个摄像机的相对欧氏姿势时,存在理论上的歧义。 这种歧义与以下事实有关:给定图像中的2D点,经典针孔相机模型无法分辨对应的3D点是在相机前面还是在相机后面。 为了消除这种歧义,您需要知道图像中的一个点对应关系:由于假设这两个2D点是位于两个摄像机前面的单个3D点的投影(因为在两个图像中都可见),这样可以选择正确的R和T。
为此,在以下博士学位论文的6.1.4(p47)中解释了一种方法:C.Ressl( PDF )编写的“三焦点张量的几何,约束和计算”。 下面概述了此方法。 我将用x1和x2表示两个相应的2D点,用K1和K2表示两个相机矩阵,并用E12表示基本矩阵。
一世。 计算基本矩阵E12 = U * S * V'
的SVD。 如果det(U) < 0
设置U = -U
。 如果det(V) < 0
设置V = -V
。
II。 定义W = [0,-1,0; 1,0,0; 0,0,1]
W = [0,-1,0; 1,0,0; 0,0,1]
W = [0,-1,0; 1,0,0; 0,0,1]
, R2 = U * W * V'
, T2 = third column of U
III。 定义M = [ R2'*T2 ]x
, X1 = M * inv(K1) * x1
和X2 = M * R2' * inv(K2) * x2
IV。 如果X1(3) * X2(3) < 0
,则设置R2 = U * W' * V'
并重新计算M
和X1
v。如果X1(3) < 0
设置T2 = -T2
六。 定义P1_E = K1 * [ I | 0 ]
P1_E = K1 * [ I | 0 ]
和P2_E = K2 * [ R2 | T2 ]
P2_E = K2 * [ R2 | T2 ]
符号'
表示步骤iii中使用的转置和符号[.]x
。 对应于斜对称运算符。 在3x1向量上应用偏斜对称算子e = [e_1; e_2; e_3]
e = [e_1; e_2; e_3]
e = [e_1; e_2; e_3]
产生以下结果(请参阅Wikipedia关于叉积的文章 ):
[e]x = [0,-e_3,e_2; e_3,0,-e_1; -e_2,e_1,0]
最后,请注意, T2
的范数将始终为1,因为它是正交矩阵的列之一。 这意味着您将无法恢复两个摄像机之间的真实距离。 为此,您需要知道场景中两点之间的真实距离,并考虑该距离以计算摄像机之间的真实距离。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.