我的问题是：
-
如何判断我的基本矩阵是否正确？
-
我在下面发布的代码是否做了很好的努力？
我的最终目标是进行某种3D重建 . 现在我正在尝试计算基本矩阵，以便我可以估计两个相机之间的差异 . 我在openFrameworks中使用ofxCv插件执行此操作，但在大多数情况下，它只是纯OpenCV . 由于xCv也处于开发阶段，很难发布隔离问题的代码 .
我的代码基本上读取了我的网络摄像头从两个略微不同的位置拍摄的两个640x480帧（基本上只是水平滑动笔记本电脑） . 我已经有了一个校准矩阵，它是从ofxCv的校准代码中获得的，它使用 findChessboardCorners . 非失真示例代码似乎表明校准矩阵是准确的 . 它计算图片之间的光流（ calcOpticalFlowPyrLK 或 calcOpticalFlowFarneback ），并将这些点对提供给 findFundamentalMatrix .
为了测试基本矩阵是否有效，我将其分解为旋转和平移矩阵 . 然后我将旋转矩阵乘以第二幅图像的点，以查看相机之间的旋转差异 . 我认为任何差异都应该很小，但我的差异很大 .
这是我上一个代码的基本和旋转矩阵，如果它有帮助：
fund: [-8.413948689969405e-07, -0.0001918870646474247, 0.06783422344973795;
0.0001877654679452431, 8.522397812179886e-06, 0.311671691674232;
-0.06780237856576941, -0.3177275967586101, 1]
R: [0.8081771697692786, -0.1096128431920695, -0.5786490187247098;
-0.1062963539438068, -0.9935398408215166, 0.03974506055610323;
-0.5792674230456705, 0.02938723035105822, -0.8146076621848839]
t: [0, 0.3019063882496216, -0.05799044915951077;
-0.3019063882496216, 0, -0.9515721940769112;
0.05799044915951077, 0.9515721940769112, 0]
这是我的部分代码，在第二张照片拍摄后发生：
const ofImage& image1 = images[images.size() - 2];
const ofImage& image2 = images[images.size() - 1];
std::vector<cv::Point2f> points1 = flow->getPointsPrev();
std::vector<cv::Point2f> points2 = flow->getPointsNext();
std::vector<cv::KeyPoint> keyPoints1 = convertFrom(points1);
std::vector<cv::KeyPoint> keyPoints2 = convertFrom(points2);
std::cout << "points1: " << points1.size() << std::endl;
std::cout << "points2: " << points2.size() << std::endl;
fundamentalMatrix = (cv::Mat)cv::findFundamentalMat(points1, points2);
cv::Mat cameraMatrix = (cv::Mat)calibration.getDistortedIntrinsics().getCameraMatrix();
cv::Mat cameraMatrixInv = cameraMatrix.inv();
std::cout << "fund: " << fundamentalMatrix << std::endl;
essentialMatrix = cameraMatrix.t() * fundamentalMatrix * cameraMatrix;
cv::SVD svd(essentialMatrix);
Matx33d W(0,-1,0, //HZ 9.13
1,0,0,
0,0,1);
cv::Mat_<double> R = svd.u * Mat(W).inv() * svd.vt; //HZ 9.19
std::cout << "R: " << (cv::Mat)R << std::endl;
Matx33d Z(0, -1, 0,
1, 0, 0,
0, 0, 0);
cv::Mat_<double> t = svd.vt.t() * Mat(Z) * svd.vt;
std::cout << "t: " << (cv::Mat)t << std::endl;
Vec3d tVec = Vec3d(t(1,2), t(2,0), t(0,1));
Matx34d P1 = Matx34d(R(0,0), R(0,1), R(0,2), tVec(0),
R(1,0), R(1,1), R(1,2), tVec(1),
R(2,0), R(2,1), R(2,2), tVec(2));
ofMatrix4x4 ofR(R(0,0), R(0,1), R(0,2), 0,
R(1,0), R(1,1), R(1,2), 0,
R(2,0), R(2,1), R(2,2), 0,
0, 0, 0, 1);
ofRs.push_back(ofR);
cv::Matx34d P(1,0,0,0,
0,1,0,0,
0,0,1,0);
for (int y = 0; y < image1.height; y += 10) {
for (int x = 0; x < image1.width; x += 10) {
Vec3d vec(x, y, 0);
Point3d point1(vec.val[0], vec.val[1], vec.val[2]);
Vec3d result = (cv::Mat)((cv::Mat)R * (cv::Mat)vec);
Point3d point2 = result;
mesh.addColor(image1.getColor(x, y));
mesh.addVertex(ofVec3f(point1.x, point1.y, point1.z));
mesh.addColor(image2.getColor(x, y));
mesh.addVertex(ofVec3f(point2.x, point2.y, point2.z));
}
}
有任何想法吗？我的基本矩阵看起来是否正确，或者我在测试它时有错误的想法吗？
2 回答
如果要查明基本矩阵是否正确，则应计算错误 . 使用极线约束方程，您可以检查一个图像中检测到的特征与另一个图像的极线之间的接近程度 . 理想情况下，这些点积应总和为0，因此，校准误差计算为绝对距离之和（SAD） . SAD的平均值报告为立体校准误差 . 基本上，您是从相应的极线中计算image_left（可能是棋盘角）中计算出的特征的SAD . 该误差以像素^ 2测量，低于1的任何值都是可接受的 .
OpenCV有代码示例，看一下Stereo Calibrate cpp文件，它会告诉你如何计算这个错误 . https://code.ros.org/trac/opencv/browser/trunk/opencv/samples/c/stereo_calib.cpp?rev=2614请看"avgErr"第260-269行
ANKUR
我认为在你使用然后计算F之前你没有删除不正确的匹配 . 我也知道如何验证F，从x'Fx = 0，你可以在公式中替换几个x'和x .
KyleFan