徐土豆
认证:优质创作者
所在专题目录 查看专题
图像校正(Image Rectification)——使得在对极线上寻找对应点更加容易
几何变换——关于透视变换和仿射变换以及齐次坐标系的讨论
立体视觉中的对极几何——如何更好更快地寻找对应点
论相机中心投影中,相机中心的作用
投影相机,透视相机,弱透视相机和仿射相机的区别和联系
相机中的透视投影几何——讨论相机中的正交投影,弱透视投影以及透视的一些性质
作者动态 更多
给定计算预算下的最佳LLM模型尺寸与预训练数据量分配
05-19 09:33
大模型推理时的尺度扩展定律
05-18 10:32
世界多胞体与世界模型
05-13 09:42
奖励模型中的尺度扩展定律和奖励劫持
05-12 08:41
MeCo——给预训练数据增加源信息,就能减少33%的训练量并且提升效果
05-08 09:13

投影相机,透视相机,弱透视相机和仿射相机的区别和联系

本文转自徐飞翔的“投影相机,透视相机,弱透视相机和仿射相机的区别和联系

版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明

投影相机(projective camera)

相机说到底是一种从3D的现实世界中的点投影到2D平面上点的工具,那么作为这个投影,对其描述最为通用的莫过于在齐次坐标系下,用:

其中3D点和2D点 采用齐次坐标系描述[6]。不难知道,其非齐次坐标系表达为:

虽然变换矩阵是一个有着12个元素的矩阵,但是因为对于坐标而言,最重要的是比例关系,因此我们可以对 进行尺度缩放,不妨将其全部除以 ,得到 在这个新的变换矩阵中,原先 ​的位置变成了1,因此其实其自由度只有11,而不是12.(对于理解这里的尺度变化,我

们可以这样认为,我们新投影出来的2D图像的尺度大小是可以变化的,比如原先是 ,尺度变换后可能就变成了 ,其比例还是一样的,因此图中点的坐标其实比例也是不变的)

我们把有这种关系的相机称之为投影相机(projective camera),显然,投影相机是非线性的[7],这里指的非线性是图像显示的尺寸大小和真实尺寸大小不成线性比例,具体见[7]讨论。透视相机(perspective camera)

投影相机的一种特殊例子也是更为常见的例子是所谓的透视相机(perspective camera),这种相机的投影方式称之为透视投影(perspective projection)或者是中心投影(central projection)。跟一般的,当其变换矩阵 的最左边 矩阵是一个旋转矩阵[8],并且这个旋转矩阵的尺度放缩因子是 时,透视相机模型成为我们熟悉的针孔模型的表达[9],如:

其中最简单的形式莫过于是

于是有了熟悉的针孔模型的表达:

注意到我们是对每个点的深度Z进行反比放缩的,这一点很重要,这个导致了透视相机的成像的非线性性,见[7]中的讨论。

仿射相机(affine camera)

仿射相机也是投影相机的一种特殊情况,其变换矩阵为:

考虑到通常我们也会把 设置为一个常数,比如1,因此现在的自由度变成了8。

于是,投影后的坐标为:

注意到其分母是 是一个常数,因此其投影后的坐标 ( x , y ) 是一个只由 决定了的线性关系。这个很特殊,因为在这种情况下,通常透视关系之下不再保存的平行关系,也会在仿射相机中保留下来。一般性的透视关系中不保留平行关系的例子见[8]。因为其线性性,仿射相机可以用更简单的,非齐次坐标系的表达方式,如:

其中 ,并且 是一个二维向量,表示图像的中心。

在仿射相机中,从不同视角观察到的图像的点之间,可以通过一个简单的 仿射变换进行转换。

弱透视相机(weak perspective camera)

最常见的,对于相机的假设莫过于是假设其是弱透视相机(weak perspective camera)[10]了。弱透视相机是仿射相机的一种,其最简单的形式是(9),其中的 Z a v e Z_{ave} Zave​是相机到物体的平均深度,对于某个场景而言,是一个常数; f 是焦距。

如果转换成公式(8)的那种形式,那么有:

最终得到投影后的坐标为:

在弱透视相机中,我们用平均深度,一个常数 ​去代替了每个点的深度 ,从而使得分析变得简单。但是要满足弱透视的要求,需要满足几个假设

沿着光轴上的,物体的深度的平均差别,也就是 ,需要远远小于​。   

视角场(filed of view)(也就是观察某个物体点的夹角,必须足够小。

下面给出证明。

在考虑所有点的深度情况下,我们在​的基础上加上每个点的偏差 ,并且利用泰勒展开,有:

时,只有零阶项保留下来了,其他高阶项都趋向于0,其在图像上表现出来的误差就体现在 ​:

因此,当焦距 f 比较小时,视角场 足够小,或者物体表面深度的差别 足够小时,其弱透视模型都可以成立。

Reference

[1]. http://www.cse.iitd.ernet.in/~suban/vision/affine/node5.html

[2]. http://www.cse.iitd.ernet.in/~suban/vision/affine/node4.html

[3]. http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/UESHIBA1/node5.html

[4]. http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/UESHIBA1/node4.html

[5]. http://www.cse.iitd.ernet.in/~suban/vision/affine/node3.html

[6]. https://blog.csdn.net/LoseInVain/article/details/102756630

[7]. https://blog.csdn.net/LoseInVain/article/details/102869987

[8]. https://blog.csdn.net/LoseInVain/article/details/102756630

[9]. https://blog.csdn.net/LoseInVain/article/details/102632940

[10].https://blog.csdn.net/LoseInVain/article/details/102698703

声明:本内容为作者独立观点,不代表电子星球立场。未经允许不得转载。授权事宜与稿件投诉,请联系:editor@netbroad.com
觉得内容不错的朋友,别忘了一键三连哦!
赞 1
收藏 1
关注 52
成为作者 赚取收益
全部留言
0/200
成为第一个和作者交流的人吧