我有两个已知相应2D点的图像，摄像机的内部参数和摄像机之间的3D变换 . 我想计算从一个图像到另一个图像的2D重投影误差 .
为此，我考虑从变换中获取基本矩阵，因此我可以计算点与相应极线之间的点到线距离 . 我怎样才能获得基本矩阵？
我知道 E = R * [t] 和 F = K^(-t) * E * K^(-1) ，其中 E 是必要的矩阵， [t] 是平移向量的斜对称矩阵 . 但是，如果运动是纯旋转（ t = [0 0 0] ），则返回空矩阵 . 我知道在这种情况下，单应性解释运动比基本矩阵更好，因此我可以将平移向量的范数与小阈值进行比较，以选择基本矩阵或同质性 . 有没有更好的方法呢？
1 回答
“我想计算从一个图像到另一个图像的2D重投影误差 . ”
然后去计算它 . 您的设置已经过校准，因此除了已知的3D几何图形之外，您不需要任何其他设置 . 忘记极线误差，如果您的相机运动（接近）纯旋转，也可能是未定义的 .
拍摄已知大小和形状的物体（例如，棋盘格），从一个摄像机视图中计算出它在3D空间中的位置（对于棋盘格，您可以在其物理模型和投影之间拟合单应性，然后将其分解为[R] | T]） . 然后根据相机的校准参数将现在定位的3D形状投影到另一个相机中，并将投影与对象的实际图像进行比较 .