当前位置：首页 > news >正文

OpenCV相机标定与3D重建(20)将单应性矩阵分解为旋转矩阵、平移向量和法向量函数decomposeHomographyMat()的使用

news 来源：原创 2025/6/27 9:56:48

操作系统：ubuntu22.04
OpenCV版本：OpenCV4.9
IDE:Visual Studio Code
编程语言：C++11

算法描述

将单应性矩阵分解为旋转矩阵、平移向量和法向量。
cv::decomposeHomographyMat 是 OpenCV 库中的一个函数，用于将单应性矩阵（Homography Matrix）分解为旋转矩阵（Rotation Matrices）、平移向量（Translation Vectors）和法向量（Normals）。该函数能够从给定的单应性矩阵中提取出多个可能的解，这些解描述了平面在两个不同视角之间的相对运动。

函数原型


int cv::decomposeHomographyMat	
(InputArray 	H,InputArray 	K,OutputArrayOfArrays 	rotations,OutputArrayOfArrays 	translations,OutputArrayOfArrays 	normals 
)

参数

参数H：两个图像之间的输入单应性矩阵。
参数K：输入的相机内参矩阵。
参数rotations：旋转矩阵数组。
参数translations：平移向量数组（注意，这里应该是“平移向量”而非“平移矩阵”）。
参数normals：平面法向量数组。

此函数提取平面物体在两个视图之间的相对相机运动，并返回最多四个由旋转、平移和平面法向量组成的数学解元组。单应性矩阵 H 的分解在文献 [176] 中有详细描述。

如果由平面诱导的单应性矩阵 H 给出了约束
$\begin{bmatrix} x'_i \\ y'_i \\ 1 \end{bmatrix} \sim H \begin{bmatrix} x_i \\ y_i \\ 1 \end{bmatrix}$

其中 H 是单应性矩阵，那么旋转数组 rotations[k] 和平移数组 translations[k] 组成的元组是从源相机坐标系到目标相机坐标系的基变换。然而，通过分解 H，只能获得由场景深度（通常是未知的）归一化的平移，即其方向但长度是归一化的。

如果有点对应关系可用，通过应用正深度约束（即所有点必须位于相机前方），至少可以排除两个解。

代码示例


#include <iostream>
#include <opencv2/opencv.hpp>int main()
{// 假设我们已经得到了单应性矩阵 H 和相机内参矩阵 Kcv::Mat H = ( cv::Mat_< double >( 3, 3 ) << 0.998, -0.062, 50, 0.062, 0.998, 100, 0.007, 0.05, 1 );cv::Mat K = ( cv::Mat_< double >( 3, 3 ) << 500, 0, 320, 0, 500, 240, 0, 0, 1 );// 创建输出容器std::vector< cv::Mat > rotations;std::vector< cv::Mat > translations;std::vector< cv::Mat > normals;// 分解单应性矩阵int numSolutions = cv::decomposeHomographyMat( H, K, rotations, translations, normals );// 打印结果std::cout << "Number of solutions: " << numSolutions << "\n";for ( int i = 0; i < numSolutions; ++i ){std::cout << "Solution " << i + 1 << ":\n";std::cout << "Rotation Matrix:\n" << rotations[ i ] << "\n";std::cout << "Translation Vector:\n" << translations[ i ] << "\n";std::cout << "Normal Vector:\n" << normals[ i ] << "\n";}return 0;
}

运行结果

Number of solutions: 4
Solution 1:
Rotation Matrix:
[-0.9802608247288047, 0.1889271965254338, 0.05826860145100454;0.1697517542892211, 0.6531756122806627, 0.7379335752195324;0.101356092158646, 0.7332585723559504, -0.6723531874309145]
Translation Vector:
[18.39045228566228;11.99059679500396;-29.81341238180146]
Normal Vector:
[0.1208936041858721;0.8638372310213145;0.4890500738864864]
Solution 2:
Rotation Matrix:
[-0.9802608247288047, 0.1889271965254338, 0.05826860145100454;0.1697517542892211, 0.6531756122806627, 0.7379335752195324;0.101356092158646, 0.7332585723559504, -0.6723531874309145]
Translation Vector:
[-18.39045228566228;-11.99059679500396;29.81341238180146]
Normal Vector:
[-0.1208936041858721;-0.8638372310213145;-0.4890500738864864]
Solution 3:
Rotation Matrix:
[-0.4626383896883119, 0.5400507693070011, -0.7030724620958111;0.3419971927832055, -0.6229459442112031, -0.7035455001054416;-0.8179264273239335, -0.5659359656001044, 0.1035028614299165]
Translation Vector:
[18.42326185348789;13.79683557680836;-29.00092162954408]
Normal Vector:
[0.09258217344711696;0.8432401346969438;0.5295041231152859]
Solution 4:
Rotation Matrix:
[-0.4626383896883119, 0.5400507693070011, -0.7030724620958111;0.3419971927832055, -0.6229459442112031, -0.7035455001054416;-0.8179264273239335, -0.5659359656001044, 0.1035028614299165]
Translation Vector:
[-18.42326185348789;-13.79683557680836;29.00092162954408]
Normal Vector:
[-0.09258217344711696;-0.8432401346969438;-0.5295041231152859]

算法描述

函数原型

参数

代码示例

运行结果

相关文章：