对极几何、姿态估计与尺度一致性

本文探讨了在三维视觉中通过本质矩阵求解相对位姿时遇到的尺度不确定性和不一致性问题。通过引入三帧数据并利用尺度约束,可以解出一致的尺度,确保位姿估计的准确性。这种方法利用投影方程和点乘操作来推导尺度,实现了极线几何解的尺度一致性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

尺度不确定/不一致性

通过分解本质矩阵可以反推t和R。由于
X1Tt×RX2=0=X1Tst×RX2X_1^Tt^\times R X_2=0=X_1^Tst^\times R X_2X1Tt×RX2=0=X1Tst×RX2
求出来的t也是无尺度的。

对同一场景中的三帧,我们通过求解和分解本质矩阵的方法求出它们之间的相对位姿T12,T23,T13T_{12},T_{23},T_{13}T12,T23,T13,由于单独两帧求解时存在尺度的不确定性,因此求出来的位置具有尺度不一致性,即
T12T23≠T13T_{12}T_{23}\neq T_{13}T12T23=T13

尺度约束

直觉上同一场景的三帧必然能求出唯一尺度,对上面的情形我们假设已经求出了一致的T12=(R12,t12),T23=(R23,st23)T_{12}=(R_{12},t_{12}),T_{23}=(R_{23},s t_{23})T12=(R12,t12),T23=(R23,st23),其中s表示两个pose之间的尺度差(即st23st_{23}st23t13t_{13}t13具有尺度上的一致性)。同样由投影方程有

Pc1=T13Pc3=R13P3+t13P_{c1}=T_{13}P_{c3}=R_{13}P_3+t_{13}Pc1=T13Pc3=R13P3+t13
Pc2=T23Pc3=R23P3+st23 P_{c2}=T_{23}P_{c3}=R_{23}P_3+st_{23}Pc2=T23Pc3=R23P3+st23

从而可以推导出
R31Pc1+t31=R32Pc2+st32R_{31}P_{c1}+t_{31} = R_{32}P_{c2}+st_{32}R31Pc1+t31=R32Pc2+st32

→z1R31X1+t31=z2R32X2+st32\to z_1R_{31}X_1+t_{31} = z_2R_{32}X_2+st_{32}z1R31X1+t31=z2R32X2+st32

u=R31X1×R32X2\mathbf u=R_{31}X_1\times R_{32}X_2u=R31X1×R32X2,左右两边点乘u,我们可以得到
u⋅t31=su⋅t32\mathbf u\cdot t_{31}=s\mathbf u\cdot t_{32}ut31=sut32

由此,我们可以解出s。用这种方法,我们可以使得使用极线几何解出的pose具有尺度上的一致性。

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