来源：公众号|3D视觉工坊（系投稿）

作者：Liam

「3D视觉工坊」技术交流群已经成立，目前大约有12000人，方向主要涉及3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等。工坊致力于干货输出，不做搬运工，为计算机视觉领域贡献自己的力量！欢迎大家一起交流成长~

添加小助手微信：CV_LAB，备注学校/公司+姓名+研究方向即可加入工坊一起学习进步。

QQ群「3D视觉研习社」，群号：574432628

构造函数

Initializer::Initializer(const Frame &ReferenceFrame, float sigma, int iterations)参数: 参考帧(第一帧), 误差, 迭代次数 操作:读取参考帧的相机模型, 内参, 去畸变的特征点等传入参数

初始化:并行的计算前后两帧的本质矩阵和基础矩阵,选出来评分高的恢复旋转和平移

bool Initializer::Initialize(const Frame &CurrentFrame, const vector &vMatches12, cv::Mat &R21, cv::Mat &t21, vectorcv::Point3f &vP3D, vector&vbTriangulated) 参数: 当前帧(第二帧), 前后帧的匹配关系(), 参考帧到当前帧的旋转, 参考帧到当前帧的平移(==当前帧指向参考帧==), 三角化后的点, 特征是否被三角化过返回值：bool->初始化是否成功的标志 操作:

• vMatches12中的匹配关系以<==第一帧特征索引,第二帧特征索引==>存储在mvMatches12中, 同时mvbMatched1[i]设置为true表示第一帧中该索引的特征点匹配成功

• 从匹配中不重复的随机选择mMaxIterations组点,每组8个

• 开两个线程同时计算单应和基本矩阵

• 计算得分

• 选择得分高的矩阵来恢复两帧位姿

寻找最优单应矩阵

void Initializer::FindHomography(vector&vbMatchesInliers, float &score, cv::Mat &H21) 参数: 匹配的Inliers, 最后的得分, 单应矩阵 操作:

• 归一化

• 利用选择的mMaxIterations组匹配点用八点法计算单应矩阵（ComputeH21(vPn1i,vPn2i)）

• 恢复初始尺度（归一化前的）

• 保留最高得分的单应矩阵及对应的匹配内点

需要最优基础矩阵

void Initializer::FindFundamental(vector&vbMatchesInliers, float &score, cv::Mat &F21) 参数: 匹配的Inliers, 最后的得分, 基础矩阵 操作:

• 归一化

• 利用选择的mMaxIterations组匹配点用八点法计算基础矩阵（ComputeF21(vPn1i,vPn2i)）

• 恢复初始尺度（归一化前的）

• 保留最高得分的基础矩阵及对应的匹配内点

计算单应矩阵

这样就可以用一组匹配点构造两个约束(其实是三个，但是三个线性相关，所以只取前两个)，所以自由度为8的单应矩阵需要四组匹配点就可以算出。 操作：

• 利用八组匹配点构造A矩阵

• 利用SVD分解求解AX=0型的方程

• 最小特征值对应的特征向量就是方程的解（可参考多视图几何第二版198-200页）

计算基础矩阵

cv::Mat Initializer::ComputeF21(const vectorcv::Point2f &vP1,const vectorcv::Point2f &vP2) 参数：

本文仅做学术分享，如有侵权，请联系删文。