我有两个已知相应2D点的图像，摄像机的内部参数和摄像机之间的3D变换。我想计算从一个图像到另一个图像的2D重投影误差。
为此，我考虑从变换中获取基本矩阵，因此我可以计算点与相应极线之间的点到线距离。我怎样才能得到基本矩阵？
我知道E = R * [t]和F = K^(-t) * E * K^(-1)，其中E是基本矩阵，[t]是翻译向量的偏对称矩阵。但是，如果运动是纯旋转（t = [0 0 0]），则返回空矩阵。我知道在这种情况下，单应性解释运动比基本矩阵更好，因此我可以将平移向量的范数与小阈值进行比较，以选择基本矩阵或同质性。有没有更好的方法呢？
答案 0 :(得分：1)
＆＃34;我想计算从一个图像到另一个图像的2D重投影错误。＆＃34;
然后去计算它。您的设置已经过校准，因此除了已知的3D几何图形外，您不需要任何其他设置。忘记极线误差，如果您的相机运动（接近）纯旋转，也可能不确定。
拍摄已知大小和形状的物体（例如，棋盘格），从一个摄像机视图中计算出其在3D空间中的位置（对于棋盘，您可以在其物理模型和投影之间拟合单应性，然后分解它进入[R | t]）。然后根据相机的校准参数将现在定位的3D形状投影到另一个相机中，并将投影与物体的实际图像进行比较。