由于《Hartley, Zisserman ...》书太厚，啃不动。所以最近回头看youtube上的德国鬼子视频， 补习机器视觉最基础的知识。所以本次博文，没有算法，没有代码，纯粹的定义和识记。 老外视频课程地址：https://www.youtube.com/playlist?list=PLgnQpQtFTOGRsi5vzy9PiQpNWHjq-bKN1
本次总结涵盖视频：
Photogrammetry II - 02a - Relative Orientation (2015/16)
Photogrammetry II - 02b - Relative Orientation (2015/16)
Photogrammetry II - 03a - Epipolar Geometry and Essential Matrix (2015/16)
Photogrammetry II - 03b - Epipolar Geometry and Essential Matrix (2015/16)
讲师为：Cyrill Stachniss
我们看下二维图片与三维图片之间的联系。
相机在不同位置观察同一个物点：
- 如果知道相机拍摄位置信息，即可求物点的3D坐标
- 如果不知道相机拍摄的位置信息，若知道场景中若干control point信息，则可以反求相机拍摄位置信息(比如棋盘标定)
那么现在有个问题：
如果不知道场景中点的信息(即没有controlpoints)，只知道图像A中的特征点与图像B中哪些特征点对应，我们如何求相机的拍摄位置？
先不回答这个问题，可以带着疑问看下面的基础知识：
- 各个相机之间的姿态camera pose的参数化表达
- 极性约束及数学表达
- 基础矩阵fundmental matrix数学定义
- 极几何及数学性质
- 本质矩阵定义及参数模型
1. 各个相机之间的姿态camera pose的参数化表达
对于标定的相机，需要用12个参数描述两个相机之间的pose关系：
2*(X,Y,Z)，位移
2*(Rx,Ry,Rz)，旋转
对于未标定的相机，需要用22个参数描述两个相机之间的pose关系：
2*(fx,fy,cx,cy,sheer)，相机内参
2*(X,Y,Z)，位移
2*(Rx,Ry,Rz)，旋转
注：
每个相机的pose理论上可以独立表达，没必要成对。上面这么干是因为后面视频课程里不知道世界绝对坐标，只能搞相对的坐标，故必须成对；
DLT算法可以求单个相机的pose，前提是知道场景中control point的信息，所以此处并不适用；
2. 极性约束及数学表达
下图中O’，O’’分别为两个相机的中心，X是物点。如果两个相机画面的特征点对应场景同一物点，那么O’X、O’’X、O’O’’三个向量理应共面
数学上表达为：
[O’X,O’’X, O’O’’] = 0
注：Triple product，[A,B,C]=(A×B).C，表示三个向量构成的立方体体积，三个向量共面则立方体体积为0。
给定两个相机的图像，如下图所示，我们重建的对象只是一个相似变换(only up to a similarity transformation)，把这种模型称为photogrammetricmodel。把photogrammetric model 的方向称为绝对方向。
对于标定的相机：
Mapping the calibrated camera is angle-perserving，即两个画面是相似的，非全等，图A中直线的夹角，在图B中的夹角任然是这个值
两个相机保持了relatvietransformation，如果没有额外的信息，我们无法获取全局偏移和旋转信息，只能知道12-7=5个参数，我们将丢失7个参数：第一个相机的R、T和scale(两个相机之间的距离)
我们可以以第一个相机为参照，计算第二个相机的旋转，还有基线baseline的方向(无法计算基线的长度)。
注：
(1)若构建场景3D模型，我们需要知道什么信息？
如果两个标定相机的基线已知，可求3D模型，但是我们并不知道3D模型在世界坐标系中的坐标；
或者，如果我们知道场景中至少3个control point的信息，即可求绝对方向
(2)若要求scale，我们需要知道什么信息？
已知物体的大小；
或者，已知两个相机相距的位置
对于未标定的相机：
Object can be reconstructed up to a straightline preserving mapping but not angle preserving. (图A与图B中原来直线的平行关系不再保留，即直线夹角的值不再相等)，图A中是直线，图B中也是直线。
由于投影变换参数P=KR[I|-Xc]共15个参数未知，给定两个图像的匹配点，只可求22-15=7个参数来描述相对朝向。
另外，需要至少5个controlpoint，才可以求绝对朝向。
下图为相对朝向与绝对朝向的关系图
下表对上述标定和未标定相机的简单总结：
| 每张图参数 | 每对图参数 | 给定匹配点，可求参数 | 计算绝对方向所需最少控制点数 |
标定 | 6 | 12 | 5(Essential matrix) | 3 |
未标定 | 11 | 22 | 7(Fundmental matrix) | 5 |
3. 基础矩阵fundmental matrix数学定义
咱再次看下图，
O’X与O’’X的方向可以从图像坐标x’与x’’获取：
x’=P’X
x’’=P’’X
其中，
P’=K’R’[I|-Xc’]
P’’=K’’R’’[I|-Xc’’]
那么，O’X与O’’X的归一化方向可以表达为：
上式中x’与x’’是图像坐标像素，世界坐标X同归一化方向xn’的关系：
矩阵Sb为skew-symmetric matrix。现在我们把刚才的归一化方向代入上式得：
基础矩阵fundamentalmatrix中包含了两个未标定相机画面之间的相对朝向信息，F中有7个参数，5 for pose，2 for fake intrinics
注：
已知相机投影矩阵P，如何计算F？
将矩阵P分成两块左边3*3作为A’，右边3*1作为a’，即：
扯下图像坐标到世界坐标的过程：
图像坐标-->内参-->相机坐标-->外参-->世界坐标
x_img=K*x_camera=K*[R|T]*x_world
4. 极几何及数学性质
假设投影矩阵P和基础矩阵F已知：
The epipoles are the left and righteigenvectors of the fundamental matrix
5. 本质矩阵定义及参数模型
假设没有失真和图像错误，标定的相机可以简化朝向问题，基于标定矩阵K，我们可以获取图像中的点与物点连线的方向（标定相机可知光线方向）。
公式左边x是direction in camera frame(图像上一点与光心的连线方向(维度3*1)，但是不包含camera pose，并不是世界坐标里的光线方向)，公式右边x是图像坐标(维度3*1)，内参K维度3*3。再看基础矩阵，
注意，
E有5个*度(参数)，决定了相机之间的相对朝向。(12-7=5，丢失了第一个相机的RT和两个相机之间的scale)
仔细观察上式，它对于球面坐标的全景图，可以不需要知道内参，即可求E，因为球心至球面任意一点本身即为光线方向，只需通过球面坐标求出其camera frame下的3d point即可。(比如：x=cosacosb,y=cosasinb,z=sina)
本质矩阵是齐次的，奇异的(行列式值为0，矩阵的秩小于3)
====================================================================================================================
关于光线方向再扩展扯下：
小孔成像的光线是经由世界坐标，相机坐标，投影平面坐标，传感器平面坐标，即下图所示：
假设XP是世界坐标中物点坐标，向量XO=[x0,y0,z0]表示世界坐标原点移动值相机坐标原点的偏移量，那么下式就表示从世界坐标转换到相机坐标，因此刚才的光线并不包含camera pose，相机姿态是针对世界坐标而言的
世界坐标系里的光线应该是：
相机坐标系也是三维的，它是通过世界坐标系旋转平移而来
相机的外部参数，描述camera pose
相机的内部参数，描述将相机前方物点投影到最终的成像平面
============================================================================================================================
如何用参数表达E的5个参数，即如何赋予参数物理意义？
请忽略中间和右边这两种模型，左边的模型是最常用的。该模型定义第一个相机的R=I，b为归一化方向向量，现在有6个参数外加1个约束，因此E的*度是5
以上为Youtube课程总结，讲了半天大家一定很不爽，都是些定义概念，根本没讲什么算法，也没有代码演示。
现在如果要回答最开始的问题，如何从给定匹配点获取相机姿态，下篇博文将会讲如何求F和E的算法，然后再讲如何从E和F中提取R和T