多视图变换矩阵与SLAM位姿估计中的地图点投影的几何约束

news2024/11/15 0:08:17

定义

Homography & projective transform

$\underset{(3 \times 4)}{\mathbf{M}}=\left[\begin{array}{ccc} f & s & x_c^{\prime} \\ 0 & a f & y_c^{\prime} \\ 0 & 0 & 1 \end{array}\right]\left[\begin{array}{llll} 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 \end{array}\right]\left[\begin{array}{cc} \mathbf{R}_{3 \times 3} & \mathbf{0}_{3 \times 1} \\ \mathbf{0}_{1 \times 3} & 1 \end{array}\right]\left[\begin{array}{cc} \mathbf{I}_{3 \times 3} & \mathbf{T}_{3 \times 1} \\ \mathbf{0}_{1 \times 3} & 1 \end{array}\right]$
依次是 intrinsics projection rotation translation，共有5+3+3= 11个自由度。

Homography 描述了世界坐标系中的点到图像中的映射关系。
$p=K\left[\begin{array}{ll} R \ | \ t \end{array}\right] P=M P \\ {\left[\begin{array}{c} w^* u \\ w^* v \\ w \end{array}\right]=\left[\begin{array}{llll} m_{11} & m_{12} & m_{13} & m_{14} \\ m_{21} & m_{22} & m_{23} & m_{24} \\ m_{31} & m_{32} & m_{33} & m_{34} \end{array}\right]\left[\begin{array}{c} X \\ Y \\ Z \\ 1 \end{array}\right]}$

对于每对点，uv坐标考虑之后都有2个方程：

$u_i\left(m_{20} X_i+m_{21} Y_i+m_{22} Z_i+m_{23}\right)=m_{00} X_i+m_{01} Y_i+m_{02} Z_i+m_{03} \\ v_i\left(m_{20} X_i+m_{21} Y_i+m_{22} Z_i+m_{23}\right)=m_{10} X_i+m_{11} Y_i+m_{12} Z_i+m_{13}$

写成矩阵
$\left[\begin{array}{cccccccccccc} X_i & Y_i & Z_i & 1 & 0 & 0 & 0 & 0 & -u_i X_i & -u_i Y_i & -u_i Z_i & -u_i \\ 0 & 0 & 0 & 0 & X_i & Y_i & Z_i & 1 & -v_i X_i & -v_i Y_i & -v_i Z_i & -v_i \end{array}\right] \left[ \begin{array}{l} m_{00} \\ m_{10} \\ m_{02} \\ m_{03} \\ m_{10} \\ m_{11} \\ m_{12} \\ m_{13} \\ m_{20} \\ m_{21} \\ m_{22} \\ m_{23} \end{array}\right] =\left[\begin{array}{l} 0 \\ 0 \end{array}\right]$

SVD（奇异值分解）是求解超定线性方程组和最小均方误差的最小二乘问题的首选方法.

Essential Matrix

左右目相机坐标系下坐标点的坐标变换
描述了两个相机坐标系，坐标点的坐标变换关系

$\mathbf{X}^{\prime}=\mathbf{R} \mathbf{X}_{+}+\mathbf{T}$

左右同时乘以左右目之间的变换矩阵：

$\mathbf{X}^{\prime} \cdot\left(\left[\mathrm{T}_x\right] \mathbf{R} \mathbf{X}\right)=0 \\ \mathbf{E}=\left[\mathrm{T}_x\right] \mathbf{R} \\ \mathbf{X}^{\prime^T} \mathbf{E} \mathbf{X}=0$

Fundamental matrix

左右目像素射线产生的极线和极点
描述了两个相机相同3D点构成的像素坐标的几何约束关系。

$\mathbf{p}_{i m, r i g h t}^{\mathrm{T}} \mathbf{F} \mathbf{p}_{i m, l e f t}=0$

对每一个两个成像平面上的匹配点对，投影变换把一个齐次坐标投影到另一个齐次坐标：

$\left[\begin{array}{lll} u^{\prime} & v^{\prime} & 1 \end{array}\right]\left[\begin{array}{lll} f_{11} & f_{12} & f_{13} \\ f_{21} & f_{22} & f_{23} \\ f_{31} & f_{32} & f_{33} \end{array}\right]\left[\begin{array}{l} u \\ v \\ 1 \end{array}\right]=0$

于是可以写出8个（八点法）这样的方程：

$\left[\begin{array}{llllllllll} u_1^{\prime} u_1 & u_1^{\prime} v_1 & u_1^{\prime} & v_1^{\prime} u_1 & v_1^{\prime} v_1 & v_1^{\prime} & u_1 & v_1 & 1 \end{array}\right]\left[\begin{array}{c} f_{11} \\ f_{12} \\ f_{13} \\ f_{21} \\ f_{22} \\ f_{23} \\ f_{31} \\ f_{32} \\ f_{33} \end{array}\right]=\mathbf{0}$

八点法计算出的极线是错误的
极线交于一点，上面八点法计算出的结果是错误的。

在考虑极线约束的情况下， $F$ 秩为2，需要在求解SVD分解时去除最小特征值。

SLAM中求解Homography矩阵、Essential矩阵和Fundamental矩阵的适用场合是什么

以下是这些矩阵的适用场合和作用：

Homography矩阵

适用场合

平面场景：Homography矩阵适用于两幅图像中包含同一平面的情况，例如，地面、墙面等。
运动估计：在摄像机运动平行于图像平面时，Homography可以有效地估计相机的平移和旋转。
图像配准和拼接：在图像拼接、全景图生成中，Homography用于将两幅图像对齐。
姿态估计：在某些简单场景中，可以用Homography矩阵进行相机姿态估计。

作用

图像变换：将一幅图像的坐标系映射到另一幅图像的坐标系。
特征点匹配：在已知平面场景中，通过Homography矩阵可以将特征点从一个视图映射到另一个视图。

Essential矩阵

适用场合

已校正相机：Essential矩阵适用于内部参数已知且经过校正的相机（内参矩阵K已知）。
相机位姿估计：用于估计相机的相对姿态（旋转和平移），特别是当场景是三维的时。
立体视觉：在双目立体视觉中，用于计算视差和重建3D结构。

作用
相机位姿估计：解出相对旋转和平移。
3D重建：通过求解Essential矩阵，可以进行三维点的重建。

Fundamental矩阵

适用场合

未校正相机：适用于内部参数未知或未校正的相机。两视图几何：在任意两幅图像之间建立几何关系，无需相机内参。
特征点匹配约束：用于约束特征点匹配的搜索空间。

作用
极线约束：在未校正图像中，Fundamental矩阵定义了特征点对应的极线，从而限制了特征匹配的位置。
相对位姿初步估计：提供相机之间相对位姿的初步估计，但不如Essential矩阵精确。

比较和总结

Homography矩阵：适用于平面场景和特定的运动情况，可以用于图像配准和特征匹配，但不适用于一般的三维场景。
Essential矩阵：精确的相机位姿估计和三维重建，需要相机内参。
Fundamental矩阵：不需要相机内参，可用于特征点匹配的几何约束和初步的相机位姿估计，。

在orb-slam3中，何时会计算这些矩阵，如何根据地图点跟踪相机位姿？

在ORB-SLAM3中，确实在初始化和创建地图点时需要计算Homography矩阵、Essential矩阵或Fundamental矩阵。在系统运行的其他阶段，如相机位姿跟踪和地图点跟踪时，通常不再需要频繁地重新计算这些矩阵，而是依赖于已有的地图点和特征匹配、PnP算法和优化技术实现高效的相机位姿跟踪和地图点的更新。

在初始化阶段，计算Essential矩阵、Homography矩阵或Fundamental矩阵来初始化相机位姿和地图点。
运动跟踪阶段：通过特征点匹配和PnP算法估计相机位姿，利用局部BA优化相机位姿和地图点位置。
跟踪地图点：通过与当前地图中的3D点进行特征匹配，并结合相机位姿预测和优化方法。

然而，计算Homography矩阵、Essential矩阵和Fundamental矩阵不仅仅是在初始化阶段需要，还在以下多个场合中被广泛使用，例如三角化创建地图点、地图点合并、特征匹配等。以下是这些矩阵在具体过程中的应用：

三角化创建地图点

计算Essential矩阵和Fundamental矩阵
三角化过程：当ORB-SLAM3在关键帧之间创建新的地图点时，通常需要通过特征匹配确定图像中的对应点，并利用Essential矩阵或Fundamental矩阵计算视图之间的几何关系。通过这些矩阵，可以确定相机间的相对姿态，然后使用三角化方法从不同视角的对应点计算3D点的位置。

地图点合并

计算Homography矩阵
平面检测和合并：在检测到地图中的某些区域为平面时，可以计算Homography矩阵来描述图像之间的平面变换关系。通过Homography矩阵，可以将多个视角下的特征点合并为同一平面上的点，提高地图的精度和一致性。

特征匹配

计算Fundamental矩阵和极线约束
特征点匹配：在特征点匹配过程中，Fundamental矩阵用来约束特征匹配对的位置。通过极线约束，可以显著减少匹配错误，提高匹配的准确性。
极线约束：利用Fundamental矩阵，可以将图像中一个特征点的匹配对限制在另一幅图像的对应极线上，从而减少匹配的计算量和错误率。