图像雅克比矩阵的推导

如图所示,坐标 O c − x c y c z c O_c-x_cy_cz_c Ocxcyczc表示相机坐标系, O − x y O-xy Oxy表示物理成像坐标系, O − u v O-uv Ouv表示像素坐标系(像素坐标的原点位于图像左上角)。在相机坐标系中, z c z_c zc轴与相机的光轴重合,成像坐标系的原点位于光轴上,并且设两坐标系原点之间的距离为焦距 f f f;设在像素坐标系中成像坐标系原点的坐标为 ( u 0 ,   v 0 ) (u_0,\ v_0) (u0, v0)
在这里插入图片描述
对于空间中一点P,设其在相机坐标系中的坐标为 P c ( x c ,   y c ,   z c ) P_c(x_c,\ y_c,\ z_c) Pc(xc, yc, zc),在成像坐标系中的坐标为 ( x ,   y ) (x,\ y) (x, y),在像素坐标系中的坐标为 ( u ,   v ) (u,\ v) (u, v)。根据简单的几何知识,容易得到各坐标之间的转换关系:
{ x = f z c x c y = f z c y c ( 1 ) \begin{cases} x = \frac{f}{z_c}x_c \\ y = \frac{f}{z_c}y_c \end{cases} \quad (1) {x=zcfxcy=zcfyc(1)

{ u = x d x + u 0 v = y d y + v 0 ( 2 ) \begin{cases} u = \frac{x}{d_x} + u_0 \\ v = \frac{y}{d_y} + v_0 \end{cases} \quad (2) {u=dxx+u0v=dyy+v0(2)

{ x ˙ = f z c 2 ( z c x ˙ c − x c z ˙ c ) y ˙ = f z c 2 ( z c y ˙ c − y c z ˙ c ) ( 3 ) \begin{cases} \dot{x} = \frac{f}{z_c^2}(z_c\dot{x}_c - x_c\dot{z}_c) \\ \dot{y} = \frac{f}{z_c^2}(z_c\dot{y}_c - y_c\dot{z}_c) \end{cases} \quad (3) {x˙=zc2f(zcx˙cxcz˙c)y˙=zc2f(zcy˙cycz˙c)(3)

{ u ˙ = x ˙ d x v ˙ = y ˙ d y ( 4 ) \begin{cases} \dot{u} = \frac{\dot{x}}{d_x} \\ \dot{v} = \frac{\dot{y}}{d_y} \end{cases} \quad (4) {u˙=dxx˙v˙=dyy˙(4)
其中, d x ,   d y d_x,\ d_y dx, dy分别表示单位像素点在 x ,   y x,\ y x, y方向上的长度。

在IBVS的场景下,考虑空间点 P P P固定、移动相机的情况(我们需要得到 P P P点图像坐标变化率 [ u ˙ ,   v ˙ ] T [\dot{u},\ \dot{v}]^T [u˙, v˙]T与相机运动速度 r ˙ = [ v ,   ω ] T \dot{r} = [\pmb{v},\ \pmb{\omega}]^T r˙=[v, ω]T之间的关系,即图像雅克比矩阵),则点 P P P在相机坐标系中的坐标变化率 P ˙ c \dot{P}_c P˙c与相机运动速度的关系可以表示为(不知道怎么来的):
P ˙ c = − ω × P c − v ( 5 ) \dot{P}_c = -\pmb{\omega} \times P_c - \pmb{v} \quad (5) P˙c=ω×Pcv(5)
对上式展开可以得到:
{ x ˙ c = − v x − ω y z c + ω z y c y ˙ c = − v y − ω z x c + ω x z c z ˙ c = − v z − ω x y c + ω y x c ( 6 ) \begin{cases} \dot{x}_c = -v_x - \omega_yz_c + \omega_zy_c \\ \dot{y}_c = -v_y - \omega_zx_c + \omega_xz_c \\ \dot{z}_c = -v_z - \omega_xy_c + \omega_yx_c \end{cases} \quad (6) x˙c=vxωyzc+ωzycy˙c=vyωzxc+ωxzcz˙c=vzωxyc+ωyxc(6)
将(1)(6)式代入(3)式,可得:
{ x ˙ = − f z c v x + x z c v z + x y f ω x − f 2 + x 2 f ω y + y ω z y ˙ = − f z c v y + y z c v z + f 2 + y 2 f ω x − x y f ω y − x ω z ( 7 ) \begin{cases} \dot{x} = -\frac{f}{z_c}v_x + \frac{x}{z_c}v_z + \frac{xy}{f}\omega_x - \frac{f^2 + x^2}{f}\omega_y + y\omega_z \\ \dot{y} = -\frac{f}{z_c}v_y + \frac{y}{z_c}v_z + \frac{f^2 + y^2}{f}\omega_x - \frac{xy}{f}\omega_y - x\omega_z \\ \end{cases} \quad (7) {x˙=zcfvx+zcxvz+fxyωxff2+x2ωy+yωzy˙=zcfvy+zcyvz+ff2+y2ωxfxyωyxωz(7)
再将(2)(7)式代入(4)式,可得:
[ u ˙ v ˙ ] = [ − f d x z c 0 u − u 0 z c d y ( u − u 0 ) ( v − v 0 ) f − f 2 + d x 2 ( u − u 0 ) 2 d x f d y ( v − v 0 ) d x 0 − f d y z c v − v 0 z c f 2 + d y 2 ( v − v 0 ) 2 d y f − d x ( u − u 0 ) ( v − v 0 ) f − d x ( u − u 0 ) d y ] [ v x v y v z ω x ω y ω z ] = J i m a g e ⋅ r ˙ \begin{aligned} \begin{bmatrix} \dot{u} \\ \dot{v} \end{bmatrix} &= \begin{bmatrix} -\frac{f}{d_xz_c} & 0 & \frac{u - u_0}{z_c} & \frac{d_y(u - u_0)(v - v_0)}{f} & -\frac{f^2 + d_x^2(u - u_0)^2}{d_xf} & \frac{d_y(v - v_0)}{d_x} \\ 0 & -\frac{f}{d_yz_c} & \frac{v - v_0}{z_c} & \frac{f^2 + d_y^2(v - v_0)^2}{d_yf} & -\frac{d_x(u - u_0)(v - v_0)}{f} & -\frac{d_x(u - u_0)}{d_y} \\ \end{bmatrix} \begin{bmatrix} v_x \\ v_y \\ v_z \\ \omega_x \\ \omega_y \\ \omega_z \end{bmatrix} \\ &= J_{image} \cdot \dot{r} \end{aligned} [u˙v˙]= dxzcf00dyzcfzcuu0zcvv0fdy(uu0)(vv0)dyff2+dy2(vv0)2dxff2+dx2(uu0)2fdx(uu0)(vv0)dxdy(vv0)dydx(uu0) vxvyvzωxωyωz =Jimager˙
从而得到图像雅克比矩阵:
J i m a g e = [ − f d x z c 0 u − u 0 z c d y ( u − u 0 ) ( v − v 0 ) f − f 2 + d x 2 ( u − u 0 ) 2 d x f d y ( v − v 0 ) d x 0 − f d y z c v − v 0 z c f 2 + d y 2 ( v − v 0 ) 2 d y f − d x ( u − u 0 ) ( v − v 0 ) f − d x ( u − u 0 ) d y ] J_{image} = \begin{bmatrix} -\frac{f}{d_xz_c} & 0 & \frac{u - u_0}{z_c} & \frac{d_y(u - u_0)(v - v_0)}{f} & -\frac{f^2 + d_x^2(u - u_0)^2}{d_xf} & \frac{d_y(v - v_0)}{d_x} \\ 0 & -\frac{f}{d_yz_c} & \frac{v - v_0}{z_c} & \frac{f^2 + d_y^2(v - v_0)^2}{d_yf} & -\frac{d_x(u - u_0)(v - v_0)}{f} & -\frac{d_x(u - u_0)}{d_y} \\ \end{bmatrix} Jimage= dxzcf00dyzcfzcuu0zcvv0fdy(uu0)(vv0)dyff2+dy2(vv0)2dxff2+dx2(uu0)2fdx(uu0)(vv0)dxdy(vv0)dydx(uu0)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值