weixin_45920264的博客

首先我们面对的就是单视图测量的问题。常理来说我们进行三维重建是需要多个视角的摄像机得到的图片的，但在一些特殊情况下，我们也可以通过单一视角完成对于图片的三维重建，这就需要我们用到有关无穷远的知识。

好的本节内容中我们彻底把相机标定剩余的最后一点尾巴说完了，本节内容中我们对SVD的由来和求解进行了一些补充说明，也是因为在这个地方SVD的求解用的频率过多，感觉不说一下的话不容易讲明白，然后有关畸形的相机标定也是相机标定内容中最后一点补充部分，这部分结束以后，下个部分我们将正式开始进行三维重建。Okk，那我们下期再见，拜拜。

我们已经可以实现通过现实世界和像素平面中6对以上的点，通过计算SVD奇异值分解，得到投影矩阵M，再根据ρM=K[R T]具体计算出12个参数的值（内参数5个、外参数6个、还有一个ρ），值得注意的是，我们选点的时候6对点不要选取在三维世界中同一个平面上的点，这样会导致不同点之间存在线性关系，导致数据退化，无法求解。

如果说矩阵变换是三维重建中的数学基础，那么相机标定就是三维重建实际操作中的应用基础。我们在解决单视图重建、MVS、SFM、SLAM等问题时相机标定是必要的一步。简单来说，相机标定就是要把我们在正常三维世界下的坐标转换成为相机坐标，从而进行进一步的计算，没有这一步我们就无法获得物体在三维世界中的信息。当然如果是我们想进行三维重建的话，正常来说应该是做逆运算，从相机坐标还原到世界坐标。

想了很久应该从哪里开始说这三维重建的故事，其实最早人们都是用一些类似几何变换和投影技术来实现三维物体的重建，后来才逐渐有了光栅化、点云、网格等等表示方式，再到现在基于计算机算力的高速发展，又有了基于神经网络的种种方法。随便哪个挑出来说都是很长的一期。三维重建本身就是一个囊括了计算机视觉、计算机图形学、图像处理等多个领域的工作，因此想了很久以后我决定先从矩阵的变换开始说起。因为无论是三维空间中物体的变换还是相机标定等等，包括后期的算法都是从一开始的矩阵变换开始的，因此打好一开始矩阵变换的基础我想才是最重要的。