matlab – 选择正确的基本矩阵

我想使用Matlab编写自己的sfm管道代码,因为我需要一些opencv函数不提供的输出.但是,我使用opencv进行比较.

Opencv函数[E,mask] = cv.findEssentialMat(points1,points2,’CameraMatrix’,K,’Method’,’Ransac’);使用Nister的五点算法和RANSAC提供基本矩阵解决方案.

使用以下内容找到inlier指数:InliersIndices = find(mask> 0);

我使用了Nister算法的Matlab实现:

Fivepoint_algoithm_code

对函数的调用如下:

[E_all, R_all, t_all, Eo_all] = five_point_algorithm( pts1, pts2, K, K);

该算法输出多达10个基本矩阵的解.但是,我遇到了以下问题:

>上面提到的impelmentation仅用于完美对应(没有Ransac),并且我使用InliersIndices为算法5提供对应,输出的基本矩阵(最多10个)都不同于Opencv返回的矩阵.
>所有返回的基本矩阵应该是解决方案,那么为什么当我使用以下函数对每个矩阵进行三角测量时,我不会获得相同的3D点?
>如何选择合适的基本marix解决方案?

我使用matlab工具箱的功能进行三角测量

投影矩阵:

P1=K*[eye(3) [0;0;0]];
P2=K*[R_all{i} t_all{i}];

[pts3D,rep_error] = triangulate(pts1', pts2', P1',P2');

编辑

从[E,mask]返回的E = cv.findEssentialMat(points1,points2,’CameraMatrix’,K,’Method’,’Ransac’);

E =

    0.0052   -0.7068    0.0104
    0.7063    0.0050   -0.0305
   -0.0113    0.0168    0.0002

对于5点Matlab实现,从内点得到5个随机索引:

pts1 =

  736.7744  740.2372  179.2428  610.5297  706.8776
  112.2673  109.9687   45.7010   91.4371   87.8194

pts2 =

  722.3037  725.3770  150.3997  595.3550  692.5383
  111.7898  108.6624   43.6847   90.6638   86.8139

K =

  723.3631    7.9120  601.7643
   -3.8553  719.6517  182.0588
    0.0075    0.0044    1.0000

返回4个解决方案:

E1 =

   -0.2205    0.9436   -0.1835
    0.8612    0.2447   -0.1531
    0.4442   -0.0600   -0.0378

 E2 =

   -0.2153    0.9573    0.1626
    0.8948    0.2456   -0.3474
    0.1003    0.1348   -0.0306
E3 =

    0.0010   -0.9802   -0.0957
    0.9768    0.0026   -0.1912
    0.0960    0.1736   -0.0019
E4 =

   -0.0005   -0.9788   -0.1427
    0.9756    0.0021   -0.1658
    0.1436    0.1470   -0.0030

EDIT2:

pts1和pts2当使用基本矩阵E进行三角测量时,R和t返回[R,t] = cv.recoverPose(E,p1,p2,’CameraMatrix’,K);

X1 =

   -0.0940    0.0478   -0.4984
   -0.0963    0.0497   -0.4987
    0.3033    0.1009   -0.5202
   -0.0065    0.0636   -0.5053
   -0.0737    0.0653   -0.5011

R =

   -0.9977   -0.0063    0.0670
    0.0084   -0.9995    0.0305
    0.0667    0.0310    0.9973

t =

    0.0239
    0.0158
    0.9996

使用Matlab代码进行三角测量时,所选解决方案为E_all {2}

R_all{2}=

   -0.8559   -0.2677    0.4425
   -0.1505    0.9475    0.2821
   -0.4948    0.1748   -0.8512

t_all{2}=

   -0.1040
   -0.1355
    0.9853

X2 =

    0.1087   -0.0552    0.5762
    0.1129   -0.0578    0.5836
    0.4782    0.1582   -0.8198
    0.0028   -0.0264    0.2099
    0.0716   -0.0633    0.4862

做的时候

X1./X2

ans =

   -0.8644   -0.8667   -0.8650
   -0.8524   -0.8603   -0.8546
    0.6343    0.6376    0.6346
   -2.3703   -2.4065   -2.4073
   -1.0288   -1.0320   -1.0305

在三角形3D点之间存在几乎恒定的比例因子.
但是,旋转矩阵是不同的,并且在翻译之间没有比例因子.

 t./t_all{2}=
       -0.2295
       -0.1167
        1.0145

这使得绘制的轨迹错误

最佳答案 回答你的问题:

>注意Nister的5点算法有很多实现,但大多数都不能很好地工作.同事的个人经验和未发表的工作表明,OpenCV没有很好的实施. Bundler和其他工作SfM管道的开放实施在实践中工作得更好(但仍有很大的改进空间).
> 10个解决方案只是某个多项式方程的零点.就多项式方程可以描述问题而言,这10个解决方案都将方程式归零.该等式没有描述这10个点是真实的,或者对应于5个点对应的3D点对于每个解决方案必须是相同的,而只是有一些3D点(对于每个解决方案)投射到5点,甚至没有考虑3D点是否在相应的摄像机前面.此外,可能会有两组3D点和相机碰巧生成相同的5点图像,因此您必须使用其他一些程序(下图)将它们清除掉.
>在10种复杂解决方案中选择正确的解决方案通常采用多种技术:

>丢弃可导致纯粹复杂点或具有负深度的3D点的解决方案(目前Bundler不进行最后检查)
>放弃因某些其他原因而不是物理的解决方案(您可能必须自己为您的应用做一些)
>更常见的程序:对于每个剩余的解决方案,检查哪一个与其他对应关系更加一致.在一个真实的系统中,你不知道哪些额外的通信是正确的,哪些是纯垃圾.因此,为每个解决方案运行RANSAC,并保持最内部的解决方案.这在计算上很重,所以应该作为最后的手段使用.

您可以在文件5point.c line 668中看到Bundler如何执行此操作:

    generate_Ematrix_hypotheses(5, r_pts_inner, l_pts_inner, &num_hyp, E);

    for (i = 0; i < num_hyp; i++) {
        int best_inlier;
        double score = 0.0;

        double E2[9], tmp[9], F[9];
        memcpy(E2, E + 9 * i, 9 * sizeof(double));
        E2[0] = -E2[0];
        E2[1] = -E2[1];
        E2[3] = -E2[3];
        E2[4] = -E2[4];
        E2[8] = -E2[8];

        matrix_transpose_product(3, 3, 3, 3, K2_inv, E2, tmp);
        matrix_product(3, 3, 3, 3, tmp, K1_inv, F);

        inliers = evaluate_Ematrix(n, r_pts, l_pts, // r_pts_norm, l_pts_norm, 
                                   thresh_norm, F, // E + 9 * i, 
                                   &best_inlier, &score);

        if (inliers > max_inliers ||
            (inliers == max_inliers && score < min_score)) {
            best = 1;
            max_inliers = inliers;
            min_score = score;
            memcpy(E_best, E + 9 * i, sizeof(double) * 9);
            r_best = r_pts_norm[best_inlier];
            l_best = l_pts_norm[best_inlier];
        }

        inliers_hyp[i] = inliers;
    }
点赞