多视图几何

时间：2019-04-17 22:38:53 阅读：135 评论：0 收藏：0 [点我收藏+]

一、外极几何

　　　　　　　　　　　　技术分享图片

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　图一：外极几何示意图：

　　在这两个视图中，分别将三维点X投影为x1和x2.两个相机中心之间的基线C1和C2与图像平面相交于外极点e1和e2，线I1和I2成为外极线。

　　如果已经知道相机的参数，那么在重建过程中遇到的问题就是两幅图像之间的关系，外极线约束的主要作用就是限制对应特征点的搜索范围，将对应特征点的搜索限制在极线上。

二、基础矩阵

1.基础矩阵概述：

　　1）两幅图像之间的约束关系使用代数的方式表示出来即为基本矩阵。

　　2）基础矩阵F满足：

　　3）基础矩阵可以用于简化匹配和去除错配特征

2.八点算法估算基础矩阵F

　　1)原理：任给两幅图像中的匹配点 x 与 x’ ，令 x=(u,v,1)^T ，x’=(u’,v’,1)^T

　　　　　　基础矩阵 $F$

　　　　　　　　技术分享图片

　　　　　　有相应方程：

　　　　　　由矩阵乘法可知有:

　　　　　　　技术分享图片

　　2）优点: 线性求解，容易实现，运行速度快。

　　　缺点：对噪声敏感。

三、照相机和三维结构的计算

1.三角剖分

　　给定照相机参数模型，图像点可以通过三角剖分来恢复出这些点的三维位置。

　　定义：假设V是二维实数域上的有限点集，边e是由点集中的点作为端点构成的封闭线段, E为e的集合。那么该点集V的一个三角剖分T=(V,E)是一个平面图G，该平面图满足条件：

　　　　a.除了端点，平面图中的边不包含点集中的任何点。

　　　　b.没有相交边。

　　　　c.平面图中所有的面都是三角面，且所有三角面的合集是散点集V的凸包。

四、实验过程

（一）室外

sift特征匹配：有211个特征匹配点。

技术分享图片

得到基础矩阵：

技术分享图片

通过三角剖分得到的特征点：估计点和实际图像点很接近，可以很好地匹配。

技术分享图片

三角剖分后有36个特征匹配的点：

技术分享图片

照相机矩阵

1）数据集：

技术分享图片

2）实验结果

a.sift特征匹配结果：

技术分享图片

b.处理过后：

z1.jpg和z2.jpg:

技术分享图片

z1.jpg和z6.jpg:

技术分享图片

c.由三维点得到照相机矩阵

图z1的照相机矩阵

技术分享图片

图z2的照相机矩阵

技术分享图片

图z6的照相机矩阵

技术分享图片

（二）室内

1.数据集：

技术分享图片

2.s1与s2进行sift特征匹配：有180个特征匹配点

技术分享图片

2.s1与s2通过三角剖分得到的特征点：估计点和实际图像点很接近，可以很好地匹配。

技术分享图片

3.三角剖分后有29个特征匹配的点：

技术分享图片

4.s1和拍摄距离较远的图片s3进行特征匹配

. 技术分享图片

5.由三维点得到三张图的照相机矩阵（顺序：s1,s2,s3）

技术分享图片

四、实验中遇到的问题

头文件问题:将头文件改为

 1 # In[1]:
 2 from PIL import Image
 3 from numpy import *
 4 from pylab import *
 5 import numpy as np
 6 from imp import reload
 7 # In[2]:
 8 
 9 from PCV.geometry import camera
10 from PCV.geometry import homography
11 from PCV.geometry import sfm
12 from PCV.localdescriptors import sift

View Code

五、参考文献

三角剖分算法(delaunay) https://blog.csdn.net/aaronmorgan/article/details/80389142

三维重建（一）外极几何，基础矩阵及求解https://blog.csdn.net/lhanchao/article/details/51834223

六、附代码

  1 #!/usr/bin/env python
  2 # coding: utf-8
  3 
  4 # In[1]:
  5 from PIL import Image
  6 from numpy import *
  7 from pylab import *
  8 import numpy as np
  9 from imp import reload
 10 # In[2]:
 11 
 12 from PCV.geometry import camera
 13 from PCV.geometry import homography
 14 from PCV.geometry import sfm
 15 from PCV.localdescriptors import sift
 16 
 17 camera = reload(camera)
 18 homography = reload(homography)
 19 sfm = reload(sfm)
 20 sift = reload(sift)
 21 
 22 
 23 # In[3]:
 24 
 25 
 26 # Read features
 27 im1 = array(Image.open(‘D:/there/pictures/s1.JPG‘))
 28 sift.process_image(‘D:/there/pictures/s1.JPG‘, ‘im1.sift‘)
 29 l1, d1 = sift.read_features_from_file(‘im1.sift‘)
 30 
 31 im2 = array(Image.open(‘D:/there/pictures/s2.JPG‘))
 32 sift.process_image(‘D:/there/pictures/s2.JPG‘, ‘im2.sift‘)
 33 l2, d2 = sift.read_features_from_file(‘im2.sift‘)
 34 
 35 
 36 # In[9]:
 37 
 38 
 39 matches = sift.match_twosided(d1, d2)
 40 
 41 
 42 # In[10]:
 43 
 44 
 45 ndx = matches.nonzero()[0]
 46 x1 = homography.make_homog(l1[ndx, :2].T)
 47 ndx2 = [int(matches[i]) for i in ndx]
 48 x2 = homography.make_homog(l2[ndx2, :2].T)
 49 
 50 x1n = x1.copy()
 51 x2n = x2.copy()
 52 
 53 
 54 # In[11]:
 55 
 56 
 57 print(len(ndx))
 58 
 59 
 60 # In[12]:
 61 
 62 
 63 figure(figsize=(16,16))
 64 sift.plot_matches(im1, im2, l1, l2, matches, True)
 65 show()
 66 
 67 
 68 # In[13]:
 69 
 70 
 71 # Chapter 5 Exercise 1
 72 # Don‘t use K1, and K2
 73 
 74 #def F_from_ransac(x1, x2, model, maxiter=5000, match_threshold=1e-6):
 75 def F_from_ransac(x1, x2, model, maxiter=5000, match_threshold=1e-6):
 76     """ Robust estimation of a fundamental matrix F from point
 77     correspondences using RANSAC (ransac.py from
 78     http://www.scipy.org/Cookbook/RANSAC).
 79 
 80     input: x1, x2 (3*n arrays) points in hom. coordinates. """
 81 
 82     from PCV.tools import ransac
 83     data = np.vstack((x1, x2))
 84     d = 20 # 20 is the original
 85     # compute F and return with inlier index
 86     F, ransac_data = ransac.ransac(data.T, model,
 87                                    8, maxiter, match_threshold, d, return_all=True)
 88     return F, ransac_data[‘inliers‘]
 89 
 90 
 91 # In[15]:
 92 
 93 
 94 # find E through RANSAC
 95 model = sfm.RansacModel()
 96 F, inliers = F_from_ransac(x1n, x2n, model, maxiter=5000, match_threshold=1e-3)
 97 
 98 
 99 # In[16]:
100 
101 
102 print (len(x1n[0]))
103 print (len(inliers))
104 
105 
106 # In[17]:
107 
108 
109 P1 = array([[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0]])
110 P2 = sfm.compute_P_from_fundamental(F)
111 
112 
113 # In[18]:
114 
115 
116 # triangulate inliers and remove points not in front of both cameras
117 X = sfm.triangulate(x1n[:, inliers], x2n[:, inliers], P1, P2)
118 
119 
120 # In[19]:
121 
122 
123 # plot the projection of X
124 cam1 = camera.Camera(P1)
125 cam2 = camera.Camera(P2)
126 x1p = cam1.project(X)
127 x2p = cam2.project(X)
128 
129 
130 # In[20]:
131 
132 
133 figure()
134 imshow(im1)
135 gray()
136 plot(x1p[0], x1p[1], ‘o‘)
137 #plot(x1[0], x1[1], ‘r.‘)
138 axis(‘off‘)
139 
140 figure()
141 imshow(im2)
142 gray()
143 plot(x2p[0], x2p[1], ‘o‘)
144 #plot(x2[0], x2[1], ‘r.‘)
145 axis(‘off‘)
146 show()
147 
148 
149 # In[21]:
150 
151 
152 figure(figsize=(16, 16))
153 im3 = sift.appendimages(im1, im2)
154 im3 = vstack((im3, im3))
155 
156 imshow(im3)
157 
158 cols1 = im1.shape[1]
159 rows1 = im1.shape[0]
160 for i in range(len(x1p[0])):
161     if (0<= x1p[0][i]<cols1) and (0<= x2p[0][i]<cols1) and (0<=x1p[1][i]<rows1) and (0<=x2p[1][i]<rows1):
162         plot([x1p[0][i], x2p[0][i]+cols1],[x1p[1][i], x2p[1][i]],‘c‘)
163 axis(‘off‘)
164 show()
165 
166 
167 # In[22]:
168 
169 
170 print (F)
171 
172 
173 # In[23]:
174 
175 
176 # Chapter 5 Exercise 2
177 
178 x1e = []
179 x2e = []
180 ers = []
181 for i,m in enumerate(matches):
182     if m>0: #plot([locs1[i][0],locs2[m][0]+cols1],[locs1[i][1],locs2[m][1]],‘c‘)
183         p1 = array([l1[i][0], l1[i][1], 1])
184         p2 = array([l2[m][0], l2[m][1], 1])
185         # Use Sampson distance as error
186         Fx1 = dot(F, p1)
187         Fx2 = dot(F, p2)
188         denom = Fx1[0]**2 + Fx1[1]**2 + Fx2[0]**2 + Fx2[1]**2
189         e = (dot(p1.T, dot(F, p2)))**2 / denom
190         x1e.append([p1[0], p1[1]])
191         x2e.append([p2[0], p2[1]])
192         ers.append(e)
193 x1e = array(x1e)
194 x2e = array(x2e)
195 ers = array(ers)
196 
197 
198 # In[24]:
199 
200 
201 indices = np.argsort(ers)
202 x1s = x1e[indices]
203 x2s = x2e[indices]
204 ers = ers[indices]
205 x1s = x1s[:20]
206 x2s = x2s[:20]
207 
208 
209 # In[25]:
210 
211 
212 figure(figsize=(16, 16))
213 im3 = sift.appendimages(im1, im2)
214 im3 = vstack((im3, im3))
215 
216 imshow(im3)
217 
218 cols1 = im1.shape[1]
219 rows1 = im1.shape[0]
220 for i in range(len(x1s)):
221     if (0<= x1s[i][0]<cols1) and (0<= x2s[i][0]<cols1) and (0<=x1s[i][1]<rows1) and (0<=x2s[i][1]<rows1):
222         plot([x1s[i][0], x2s[i][0]+cols1],[x1s[i][1], x2s[i][1]],‘c‘)
223 axis(‘off‘)
224 show()
225 
226 
227 # In[ ]:

e2 code

  1 #!/usr/bin/env python
  2 # coding: utf-8
  3 
  4 # In[1]:
  5 
  6 from PIL import Image
  7 from numpy import *
  8 from pylab import *
  9 import numpy as np
 10 from imp import reload
 11 
 12 
 13 # In[2]:
 14 
 15 
 16 from PCV.geometry import camera
 17 from PCV.geometry import homography
 18 from PCV.geometry import sfm
 19 from PCV.localdescriptors import sift
 20 
 21 camera = reload(camera)
 22 homography = reload(homography)
 23 sfm = reload(sfm)
 24 sift = reload(sift)
 25 
 26 
 27 # In[3]:
 28 
 29 
 30 # Read features
 31 im1 = array(Image.open(‘D:/there/pictures/s1.JPG‘))
 32 sift.process_image(‘D:/there/pictures/s1.JPG‘, ‘im1.sift‘)
 33 
 34 im2 = array(Image.open(‘D:/there/pictures/s2.JPG‘))
 35 sift.process_image(‘D:/there/pictures/s2.JPG‘, ‘im2.sift‘)
 36 
 37 
 38 # In[4]:
 39 
 40 
 41 l1, d1 = sift.read_features_from_file(‘im1.sift‘)
 42 l2, d2 = sift.read_features_from_file(‘im2.sift‘)
 43 
 44 
 45 # In[5]:
 46 
 47 
 48 matches = sift.match_twosided(d1, d2)
 49 
 50 
 51 # In[6]:
 52 
 53 
 54 ndx = matches.nonzero()[0]
 55 x1 = homography.make_homog(l1[ndx, :2].T)
 56 ndx2 = [int(matches[i]) for i in ndx]
 57 x2 = homography.make_homog(l2[ndx2, :2].T)
 58 
 59 d1n = d1[ndx]
 60 d2n = d2[ndx2]
 61 x1n = x1.copy()
 62 x2n = x2.copy()
 63 
 64 
 65 # In[7]:
 66 
 67 
 68 figure(figsize=(16,16))
 69 sift.plot_matches(im1, im2, l1, l2, matches, True)
 70 show()
 71 
 72 
 73 # In[26]:
 74 
 75 
 76 #def F_from_ransac(x1, x2, model, maxiter=5000, match_threshold=1e-6):
 77 def F_from_ransac(x1, x2, model, maxiter=5000, match_threshold=1e-6):
 78     """ Robust estimation of a fundamental matrix F from point
 79     correspondences using RANSAC (ransac.py from
 80     http://www.scipy.org/Cookbook/RANSAC).
 81 
 82     input: x1, x2 (3*n arrays) points in hom. coordinates. """
 83 
 84     from PCV.tools import ransac
 85     data = np.vstack((x1, x2))
 86     d = 10 # 20 is the original
 87     # compute F and return with inlier index
 88     F, ransac_data = ransac.ransac(data.T, model,
 89                                    8, maxiter, match_threshold, d, return_all=True)
 90     return F, ransac_data[‘inliers‘]
 91 
 92 
 93 # In[27]:
 94 
 95 
 96 # find F through RANSAC
 97 model = sfm.RansacModel()
 98 F, inliers = F_from_ransac(x1n, x2n, model, maxiter=5000, match_threshold=1e-1)
 99 print (F)
100 
101 
102 # In[28]:
103 
104 
105 P1 = array([[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0]])
106 P2 = sfm.compute_P_from_fundamental(F)
107 
108 
109 # In[29]:
110 
111 
112 print (P2)
113 print (F)
114 
115 
116 # In[30]:
117 
118 
119 # P2, F (1e-4, d=20)
120 # [[ -1.48067422e+00   1.14802177e+01   5.62878044e+02   4.74418238e+03]
121 #  [  1.24802182e+01  -9.67640761e+01  -4.74418113e+03   5.62856097e+02]
122 #  [  2.16588305e-02   3.69220292e-03  -1.04831621e+02   1.00000000e+00]]
123 # [[ -1.14890281e-07   4.55171451e-06  -2.63063628e-03]
124 #  [ -1.26569570e-06   6.28095242e-07   2.03963649e-02]
125 #  [  1.25746499e-03  -2.19476910e-02   1.00000000e+00]]
126 
127 
128 # In[31]:
129 
130 
131 # triangulate inliers and remove points not in front of both cameras
132 X = sfm.triangulate(x1n[:, inliers], x2n[:, inliers], P1, P2)
133 
134 
135 # In[32]:
136 
137 
138 # plot the projection of X
139 cam1 = camera.Camera(P1)
140 cam2 = camera.Camera(P2)
141 x1p = cam1.project(X)
142 x2p = cam2.project(X)
143 
144 
145 # In[33]:
146 
147 
148 figure(figsize=(16, 16))
149 imj = sift.appendimages(im1, im2)
150 imj = vstack((imj, imj))
151 
152 imshow(imj)
153 
154 cols1 = im1.shape[1]
155 rows1 = im1.shape[0]
156 for i in range(len(x1p[0])):
157     if (0<= x1p[0][i]<cols1) and (0<= x2p[0][i]<cols1) and (0<=x1p[1][i]<rows1) and (0<=x2p[1][i]<rows1):
158         plot([x1p[0][i], x2p[0][i]+cols1],[x1p[1][i], x2p[1][i]],‘c‘)
159 axis(‘off‘)
160 show()
161 
162 
163 # In[34]:
164 
165 
166 d1p = d1n[inliers]
167 d2p = d2n[inliers]
168 
169 
170 # In[35]:
171 
172 
173 # Read features
174 im3 = array(Image.open(‘D:/there/pictures/s3.JPG‘))
175 sift.process_image(‘D:/there/pictures/s3.JPG‘, ‘im3.sift‘)
176 l3, d3 = sift.read_features_from_file(‘im3.sift‘)
177 
178 
179 # In[36]:
180 
181 
182 matches13 = sift.match_twosided(d1p, d3)
183 
184 
185 # In[37]:
186 
187 
188 ndx_13 = matches13.nonzero()[0]
189 x1_13 = homography.make_homog(x1p[:, ndx_13])
190 ndx2_13 = [int(matches13[i]) for i in ndx_13]
191 x3_13 = homography.make_homog(l3[ndx2_13, :2].T)
192 
193 
194 # In[38]:
195 
196 
197 figure(figsize=(16, 16))
198 imj = sift.appendimages(im1, im3)
199 imj = vstack((imj, imj))
200 
201 imshow(imj)
202 
203 cols1 = im1.shape[1]
204 rows1 = im1.shape[0]
205 for i in range(len(x1_13[0])):
206     if (0<= x1_13[0][i]<cols1) and (0<= x3_13[0][i]<cols1) and (0<=x1_13[1][i]<rows1) and (0<=x3_13[1][i]<rows1):
207         plot([x1_13[0][i], x3_13[0][i]+cols1],[x1_13[1][i], x3_13[1][i]],‘c‘)
208 axis(‘off‘)
209 show()
210 
211 
212 # In[39]:
213 
214 
215 P3 = sfm.compute_P(x3_13, X[:, ndx_13])
216 
217 
218 # In[40]:
219 
220 
221 print (P3)
222 
223 
224 # In[41]:
225 
226 
227 print (P1)
228 print (P2)
229 print (P3)
230 
231 
232 # In[22]:
233 
234 
235 # Can‘t tell the camera position because there‘s no calibration matrix (K)

e3 code

多视图几何

原文：https://www.cnblogs.com/wenbozhu/p/10726618.html

踩

(0)

评论一句话评论（0）

分享档案

更多>

2021年09月23日 (328)
2021年09月24日 (313)
2021年09月17日 (191)
2021年09月15日 (369)
2021年09月16日 (411)
2021年09月13日 (439)
2021年09月11日 (398)
2021年09月12日 (393)
2021年09月10日 (160)
2021年09月08日 (222)