基本矩阵的估计和图像矫正_new重点分析.doc

基本矩阵的估计和图像矫正 Atsuhiko Banno , Katsushi Ikeuchi Information Sciences 183 (2012) 140–150 基本矩阵（F矩阵）是计算机视觉领域中最基本和最重要的工具之一。传统的估计矩阵的方法是采用八点算法。首先，对于一个近似矩阵的线性求解需要计算至少八个成对的点。这种线性优化算法缺乏一个基本属性，“基本矩阵秩等于2”的约束，一个基于奇异值分解的方法是强行给它家上约束。但是这样用奇异值分解在最后会造成额外的噪声。几种方法参数体系考虑到秩等于2的约束和非线性五奇异值分解的优化。在本文中，我们提出一个新的包含这个约束条件的非线性最优化参数法。我们采用双四元（DQ）和一个标量参数设定。此外，通过所提出的参数化，我们可以得到2个输入图像的变换。这些变换导致估计的极线矫正的图像对的新方法。这中矫正方法可以处理任何图像对无论极点是在图像内部或外部的。 F矩阵描述的关系是从不同拍摄点拍摄同一场景的图像，它还提供有关位置和摄像机参数的信息。计算F矩阵最常用的是八点算法。要得到至少八个对应的图像点对。在这种算法下，我们可以很容易的使用线性方法来估计矩阵。但是八点算法对额外噪声十分敏感。为了克服这一缺点。哈特利引入一个坐标使图像标准化归一化。但是这种线性方法有一个缺点，那就是排除了秩等于2的约束。为了强加约束，这个F矩阵最终是有奇异值分解重建的。问题是，这个重建的步骤产生了额外的噪声。为了减少噪声，，非线性优化应用了七个变化参量来满足秩等于2的约束。关于那七个变量参数有很多先关的方法，我提出用一个标量的双四元数来描述矩阵。这些参数代表对一个图像缩放和旋转。 我们得到的另一个含义：在这些操作矩阵的两个转换与图像。 通过使用这些转换，我们引入了一个新的图像矫正方法。对于立体匹配来说，图像矫正是不可或缺的部分。它把任务由二维搜索变为一维搜索，减轻了任务量。流行的整改方法大致可以分为两类：平面和极性方法。平面矫正地图图像进行透视变换，这是可以理解的，易于实现。然而，这些方法不能处理那些极点位于图像内部的图像对。另一方面，极点矫正能够处理这种情况，但他们需要根据极点的位置进行一些繁琐的预处理。 基本矩阵最麻烦的地方在于它的秩等于2，没有逆矩阵。为了计算基本矩阵，人们提出了八点算法。这是一种易于实现的线性算法，但是对噪声太过敏感。人们又提出一种基于图像坐标归一化和非线性最优化的八点算法。还有很多其他成本函数最小化的方案。一些人采用另一种参数化的七自由度的方法来满足秩等于2的约束。对于线性求解，七点匹配是可以用于基本矩阵的。一行（或列）的矩阵可以表示为其他两行的线性组合（或列）。最近，另一个参数化的七自由度提出了。图像矫正技术与基本矩阵关系密切，所以密集点的匹配是不可或缺的。通过矫正，两图片中所有的极线会水平对齐，将二维搜索变为一维搜索，使得任务大大减轻。本质上来讲，图像矫正是一种转换，如果能通过立体的匹配而抓住对应的图像点对，就可以重建虚拟图相对。 另一方面，一些整改的方法已经适用于非标定图像对。非标定图像的矫正比标定图像更有用，因为准确的估计的相机参数是困难的，哪怕只有一个像素的错误就不利于准确匹配。因此，最关注的未校准的图像对矫正方法。正如上面提到的，受欢迎的矫正方法大致分为两种类型：平面和极性的方法。平面矫正方法利用射影变换地图的极点无穷。这些方法很容易实现，但他们不能处理的极点都位于图像区域图像对。极性矫正方法解决了这个问题，将图像的直角坐标系为极系统原点的极点。而这些转变偏离原来的图像矫正的概念，没有问题可以实现准确匹配。不过这些方法需要一些繁琐的预处理根据极点的位置。 对极几何 对极几何描述的是场景中的三维点和一对两个图像之间的关系。给定一个场景中三维点P被映射到I和I0两图像中，这三个实体包括一对极几何（图1）。点C和C0表示分别图像I和I0相机中心。三点P，C和C0组成平面，这就是所谓的核面。每个图像平面与极平面相交，交线在图像平面上，称为极线；一点投影在一个图像会有一个对应点位于其他图像平面的极线上（极线约束）。这个约束是指当我们有两个图像I和I0，和一点P在I上，如果我们要寻找在i0上对应点p0，仅沿极线搜索就可以了。假设I平面上的点对图像和I0平面上的点都是是P的投影点，增加了齐次坐标的二维图像坐标，这样笛卡尔坐标下P和P转换为射影坐标和。采用这种画法，极线约束表现为以下形式： F是一个3x3的基本矩阵。基本矩阵的有秩等于2的约束，这是由于所有极线必须通过图像的极点。 八点算法的重新审视 对于给定的图像对，常用八点算法来线性的估计