本文详细介绍了使用OpenCV进行双目立体视觉中的三维重建过程，包括极线约束、本征矩阵的求解、特征点提取与匹配、三维重建的三角化方法，以及SIFT特征在匹配中的应用。通过实例展示了如何从两幅图像中恢复相机的相对变换矩阵R和T，最终得到点云模型。
注意：本文中的代码必须使用OpenCV3.0或以上版本进行编译，因为很多函数是3.0以后才加入的。
目录：
文章目录
#极线约束与本征矩阵
在三维重建前，我们先研究一下同一点在两个相机中的像的关系。假设在世界坐标系中有一点 p p p，坐标为 X X X，它在1相机中的像为 x 1 x_1 x1，在2相机中的像为 x 2 x_2 x2（注意 x 1 x_1 x1和 x 2 x_2 x2为齐次坐标，最后一个元素是1），如下图。
设 X X X到两个相机像面的垂直距离分别为 s 1 s_1 s1和 s 2 s_2 s2，且这两个相机具有相同的内参矩阵 K K K，与世界坐标系之间的变换关系分别为 [ R 1 T 1 ] [R_1\ \ T_1] [R1 T1]和 [ R 2 T 2 ] [R_2\ \ T_2] [R2 T2]，那么我们可以得到下面两个等式
s 1 x 1 = K ( R 1 X + T 1 ) s 2 x 2 = K ( R 2 X + T 2 ) s_1x_1 = K(R_1X + T_1) \\ s_2x_2 = K(R_2X + T_2) s1x1=K(R1X+T1)s2x2=K(R2X+T2)
由于K是可逆矩阵，两式坐乘K的逆，有
s 1 K − 1 x 1 = R 1 X + T 1 s 2 K − 1 x 2 = R 2 X + T 2 s_1K^{-1}x_1 = R_1X + T_1 \\ s_2K^{-1}x_2 = R_2X + T_2 s1K−1x1=R1X+T1s2K−1x2=R2X+T2
设 K − 1 x 1 = x 1 ′ K^{-1}x_1 = x_1^{'} K−1x1=x1′， K − 1 x 2 = x 2 ′ K^{-1}x_2 = x_2^{'}
最低0.47元/天 解锁文章
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
