SLAM面试题，单应矩阵、基础矩阵F、本质矩阵E之间的区别与联系

标签：一个   映射   inline   区别   影响   出现   坐标   运动   方法   

要回答的几个问题

1. 单应矩阵 H 和基础矩阵 F 的区别（至少两个方面），推导两者的求解过程及改进求解的方法
2. 对于单目相机，F和H矩阵有何不同，E和F矩阵有何不同，只旋转不平移能不能求F、能不能求H？
3. 本质矩阵E，基础矩阵F，单应矩阵H 自由度分别是多少？为什么？
   答：矩阵的自由度是指：想要解矩阵中的未知参数，需要通过列几个线性方程组？对于nn的矩阵，如果该矩阵存在k个约束，那么其自由度为nn-k。
   其中，基础矩阵7个自由度，本质矩阵5个自由度，单应性矩阵8个自由度。

本质矩阵E

自由度：5个(6-1=5)尺度等价性
求解：相机的内参K在slam中是已知的，E有五个自由度，所以最少用5对点求E，实际中经常使用8点法；

基础矩阵F (Fundamental Matrix)

定义：\(K^{-T}*E*K^{-1}\)，其中E为本质矩阵，E=t^*R。
意义：F描述的实际是一种点和直线的映射关系，而不是一种点对点的约束关系，并不能给出另一个点的确切位置
应用：可通过E恢复出相机运动的R，t。如果初始化遇到了纯旋转的情况，t=(0,0,0),理论矩阵F为0矩阵，受到噪声影响，由匹配点对推算F矩阵不为0，分解后的R，t受到噪声影响大。
特征

1. F是一个3*3且自由度为7的矩阵
2. kF为基础矩阵，相差一个尺度自由度
3. F矩阵的秩为2
4. \(F=inv(K)‘*E*inv（K）\)即\(F =K^{-T}*E*K^{-1}\)

H为单应矩阵 （Homography Matrix）

自由度：8个
求解：H 矩阵可通过4对匹配特征点算出（8点）。
意义：描述了两个平面的映射关系。准确的来说，H矩阵直接描述了图像坐标p1和p2之间的变换，p2等价于H*p1。\(H=K(R-t*n^T/d)K^-1\)；也可以说是，单应矩阵反应的是世界坐标系下平面上的点之间的对应关系，就是现实平面上的点到相机平面上的点的射影变换矩阵，具有8个自由度，就是说单应矩阵就是射影变换。相反，本质矩阵或基础矩阵则没有这个限制。
应用：H不像对极约束，它需要场景的结构信息，它要求场景的点必须在同一个平面上，因此单应矩阵H也就能够对两图像上对应点的提供更多的约束，知道了某点在一幅图像的像点位置后，可以通过单应矩阵，求得其在另一幅图像中像点的确切位置。相机只有旋转而无平移的时候，两视图的对极约束不成立，基础矩阵F为零矩阵，这时候需要使用单应矩阵H，场景中的点都在同一个平面上，可以使用单应矩阵计算像点的匹配点。 相机的平移距离相对于场景的深度较小的时候，也可以使用单应矩阵H。

注意事项

1. 特征点共面的时候，或者相机发生纯旋转的时候，基础矩阵的自由度下降，会出现退化现象。为了避免退化，会同时估计基础矩阵F和单应矩阵H，选择重投影误差较小的那个作为最终的运动估计矩阵。
2. 遇到了纯旋转的情况，t=(0,0,0),H不为零，直接等于\(KRK^{-1}\)，可以计算出旋转R。x`

总结

• 基础矩阵F和单应矩阵H的区别为所求相机获取图像状态不同而选择的不同矩阵。
• 本质矩阵E和基础矩阵F之间相差相机内参K的运算。
• 只旋转不平移求出F并分解的R，t与真实差距大不准确，能求H并分解得R。

SLAM面试题，单应矩阵、基础矩阵F、本质矩阵E之间的区别与联系

标签：一个   映射   inline   区别   影响   出现   坐标   运动   方法   

原文地址：https://www.cnblogs.com/guoben/p/12768000.html