Jav_Rock提出的答案不能为三维空间中的相机姿势提供有效的解决方案。
为了估计由单应性引起的树维变换和旋转,存在多种方法。 其中之一提供了用于分解单应性的封闭公式,但是它们非常复杂。而且,解决方案也永远不是唯一的。
幸运的是,OpenCV 3已经实现了这种分解( decomposeHomographyMat )。给定单应性和正确缩放的本征矩阵,该函数将提供一组四个可能的旋转和平移。
0
Jav_Rock提出的答案不能为三维空间中的相机姿势提供有效的解决方案。
为了估计由单应性引起的树维变换和旋转,存在多种方法。 其中之一提供了用于分解单应性的封闭公式,但是它们非常复杂。而且,解决方案也永远不是唯一的。
幸运的是,OpenCV 3已经实现了这种分解( decomposeHomographyMat )。给定单应性和正确缩放的本征矩阵,该函数将提供一组四个可能的旋转和平移。
0
如果您具有Homography,则可以使用以下方法计算相机姿势:
void cameraPoseFromHomography(const Mat& H, Mat& pose)
{
pose = Mat::eye(3, 4, CV_32FC1); // 3x4 matrix, the camera pose
float norm1 = (float)norm(H.col(0));
float norm2 = (float)norm(H.col(1));
float tnorm = (norm1 + norm2) / 2.0f; // Normalization value
Mat p1 = H.col(0); // Pointer to first column of H
Mat p2 = pose.col(0); // Pointer to first column of pose (empty)
cv::normalize(p1, p2); // Normalize the rotation, and copies the column to pose
p1 = H.col(1); // Pointer to second column of H
p2 = pose.col(1); // Pointer to second column of pose (empty)
cv::normalize(p1, p2); // Normalize the rotation and copies the column to pose
p1 = pose.col(0);
p2 = pose.col(1);
Mat p3 = p1.cross(p2); // Computes the cross-product of p1 and p2
Mat c2 = pose.col(2); // Pointer to third column of pose
p3.copyTo(c2); // Third column is the crossproduct of columns one and two
pose.col(3) = H.col(2) / tnorm; //vector t [R|t] is the last column of pose
}
这种方法对我有效。祝好运。
0
万一有人需要@Jav_Rock编写的函数的python移植:
def cameraPoseFromHomography(H):
H1 = H[:, 0]
H2 = H[:, 1]
H3 = np.cross(H1, H2)
norm1 = np.linalg.norm(H1)
norm2 = np.linalg.norm(H2)
tnorm = (norm1 + norm2) / 2.0;
T = H[:, 2] / tnorm
return np.mat([H1, H2, H3, T])
在我的任务中工作正常。
0
从单应矩阵计算[R | T]比Jav_Rock的答案要复杂一些。
在OpenCV 3.0中,有一种称为cv :: decomposeHomographyMat的方法可返回四个可能的解决方案,其中一个是正确的。但是,OpenCV没有提供一种选择正确方法的方法。
我现在正在处理这个问题,也许会在本月下旬在这里发布我的代码。
0
我在视频(或图像)中有4个共面点,代表一个四边形(不一定是正方形或矩形),我希望能够在它们的上方显示一个虚拟立方体,立方体的角恰好位于这些角上视频四分之一。
由于这些点是共面的,因此我可以计算单位正方形的角(即[0,0] [0,1] [1,0] [1,1])与四边形的视频坐标之间的单应性。
通过这种单应性,我应该能够计算出正确的摄像机姿势,即[R | t],其中R是3x3旋转矩阵,t是3x1平移矢量,以便虚拟立方体位于视频四边形上。
我已经阅读了许多解决方案(其中一些在SO上)并尝试实现它们,但是它们似乎仅在某些“简单”情况下才有效(例如,当视频四边形为正方形时),但在大多数情况下不起作用。
这是我尝试过的方法(大多数方法基于相同的原理,仅翻译的计算略有不同)。令K为相机的本征矩阵,H为单应性。我们计算:
假设a1,a2,a3是A的列向量,r1,r2,r3是旋转矩阵R的列向量。
问题是这在大多数情况下不起作用。为了检查我的结果,我将R和t与通过OpenCV的solvePnP方法获得的结果进行了比较(使用以下3D点[0,0,0] [0,1,0] [1,0,0] [1,1 ,0])。
因为我以相同的方式显示立方体,所以我注意到在每种情况下,solvePnP都提供正确的结果,而从单应性图中获得的姿势大多是错误的。
从理论上讲,由于我的点是共面的,因此可以从单应性计算姿势,但是我找不到从H计算姿势的正确方法。
关于我在做什么错的任何见解?
尝试@Jav_Rock的方法后进行编辑
您好Jav_Rock,非常感谢您的回答,我尝试了您的方法(以及许多其他方法),这似乎或多或少都可以。但是,在基于4个共面点计算姿势时,我仍然碰巧遇到一些问题。为了检查结果,我将其与solvePnP的结果进行比较(由于采用了迭代重投影误差最小化方法,因此效果会更好)。
这是一个例子:
如您所见,尽管矢量看起来是正交的,但黑色立方体或多或少是可以的,但似乎比例不高。
EDIT2:我对v3进行了归一化(为了增强正交性),它似乎也解决了一些问题。