【三维重建】将左相机的深度图转换到右相机下

目录

• 相机矩阵
  • c和t的区别
• 相机矩阵分解
• 外参矩阵
  • 内参矩阵的R和机姿态的$R_c$的区别：
• 深度图与3D点云互转
• 世界坐标点转化到相机像素平面的过程
• 实例

 

---

相机矩阵(Camera Matrix)：https://blog.csdn.net/zb1165048017/article/details/71104241

回到顶部

相机矩阵

假设有一个3*4的相机矩阵，可以将齐次3D坐标转换为2D图像坐标。矩阵表示如下：

$$P = [M| - MC]$$

这里的'|'代表的是增广矩阵，其中M代表可逆的3*3矩阵，C是列向量，代表世界坐标系中相机位置。

相机矩阵可以将3D点投影到2D空间，但是有些缺点：

• 没有提供相机的摆放姿态
• 没有提供相机的内部几何特征
• 不能使用镜面光照，因为无法在相机坐标系中得到表面法线向量

c和t的区别

这里的c和坐标变换中的t需要进行区分：

• c：指相机的原点在世界坐标系的坐标(世界坐标系中相机的位置)
• t：指世界坐标系的原点在相机坐标系的坐标

回到顶部

相机矩阵分解

为了解决上述问题，可以将相机矩阵分解为两个矩阵的乘积：内参矩阵K和外参矩阵[R|-RC]

$$P = K[R| - RC]$$

其中，

• 3*3的上三角阵K描述了相机的内参比如焦距;
• 3*3的旋转矩阵R的列表示相机参考帧的世界坐标轴方向；
• 向量C是世界坐标系中的相机中心
  向量$t=-RC$就给出了相机坐标系中的世界原点坐标。

具体相机矩阵分解见最上面的原文链接。

回到顶部

外参矩阵

相机的外参矩阵描述的是世界坐标中相机的位置，及其指向方向。有两个成分：旋转矩阵R和平移向量t。它们并非对应相机的旋转和平移。
外参矩阵以刚体变换矩阵的形式可以记为：左边一个3*3旋转矩阵，右边一个3*1的平移向量。

常见的做法是在底部增加一行(0,0,0,1)，这使得矩阵为方形的，允许我们进一步将矩阵分解为旋转和平移矩阵。

这个矩阵描述的就是如何将世界坐标系中的点变换到相机坐标系中，向量t描述的是世界坐标系原点在相机坐标系中的位置，R的列代表的是相机坐标系中世界坐标系轴的方向。

总结：外参的主要作用就是描述世界坐标系到相机坐标系的转换。

内参矩阵的R和机姿态的$R_c$的区别：

• R代表相机坐标系中世界坐标系轴向，也就是当前的世界坐标的变换需要变换到相机坐标系中，即所谓的世界坐标中的变换相对于相机坐标系是怎么样的。the extrinsic matrix is that it describes how the world is transformed relative to the camera .
• $R_c$代表世界坐标系中相机坐标系的轴向，也就是当前的相机坐标系需要怎么变换到世界坐标系中，即所谓的相机坐标系中的变换相对于世界坐标系是怎样的，Rc be the rotation matrix describing the camera's orientation with respect to the world coordinate axes。

因而可以这样做：定义一个描述相机中心在世界坐标系中的位置的向量C，然后让$R_c$代表相机在世界坐标系旋转到当前姿态需要的旋转矩阵。那么描述相机姿态的变换矩阵就是($R_c$|C)。同样在底部添加一个行向量（0,0,0,1）,那么外参矩阵就是相机姿态矩阵的逆。

倒数第三个等式变换到倒数第二个等式，使用的转置是因为$R_c$是正交阵，证明。
此处平移矩阵的逆就是他的负数平移向量，进而可以得到外参矩阵参数和相机姿态是直接相关的：

$$R=R^T_C$$

$$t = -RC$$

回到顶部

深度图与3D点云互转

https://blog.csdn.net/a40850273/article/details/122410448

深度图像和3D点云互转只涉及相机内参矩阵，其中

• fx，fy分别为镜头x，y方向的焦距（成像平面到镜头的距离）
• cx，cy分别是光心（镜头中心点在成像平面的投影）在图像坐标系（原点位于图像左上角，水平为x，垂直为y）下的坐标。

回到顶部

世界坐标点转化到相机像素平面的过程

《视觉SLAM14讲》P99

$$ZP_{uv} = Z \begin{bmatrix} u\\ v\\ 1 \end{bmatrix} =K(RP_w+t) =KTP_w$$

其中，K为3x3内参，T为外参，Pw为4x4的世界坐标点。

所以从二维深度图转世界坐标系下的三维点是：

$$Z \begin{bmatrix} u\\v\\1 \end{bmatrix} = K(RP_w+t)$$

$$P_w = R^{-1}(K^{-1}Z \begin{bmatrix} u\\v\\1 \end{bmatrix} -t)$$

其中，K为内参，Z为深度，t为平移向量。

因为

$$t=-RC$$

即

$$-R^{-1}t = C$$

所以二维深度图也可以表示为：

$$P_w = R^{-1}(K^{-1}Z \begin{bmatrix} u\\v\\1 \end{bmatrix} ) +C$$

其中
$Z\begin{bmatrix} u\\v\\1 \end{bmatrix}$
即深度图像，u和v为像素坐标。

回到顶部

实例

代码题：已知深度图和相机内参和外参，完成以下测试
相机内参$K_l$ , $K_r$, 外参 $R_l,R_f,C_l,C_f$将深度图 warp 到右图

$$P_w = R^{-1}_l ( K^{-1}_l P_l * d_l ) +C_l$$

$$P_{cr} = K_rR_r(P_w-C_r)$$

$$P_c = R_r(P_w - C_r)$$

$$d_r=P_{cr}.(Z)$$

$$P_r=K_r(P_c/d_r)$$

其中，
从上到下第二个公式中：$P_{cr}$为右相机下二维深度图（没有进行归一化的），$R_r$和$C_r$为右图和世界坐标系的对应关系
第四个公式中：$d_r$表示右相机的二维深度图的深度值，$P_{cr}.(Z)$其实表示取深度图中的Z坐标值
第五个公式其实就相当于首先进行归一化处理，然后乘上$K_r$得到右相机下的深度图（归一化的）