Opencv 变换的基本矩阵

我有两幅图像，它们具有已知的对应2D点、摄像机的内在参数和摄像机之间的3D变换。我想计算从一幅图像到另一幅图像的2D重投影误差

为此，我考虑从变换中得到一个基本矩阵，这样我就可以计算点与相应的极线之间的点到线距离。如何得到基本矩阵

我知道

E=R*[t]

和

F=K^（-t）*E*K^（-1）

，其中

E

是基本矩阵，

[t]

是平移向量的斜对称矩阵。但是，如果运动是纯旋转（

t=[0]

），则返回空矩阵。我知道在这种情况下，单应比基本矩阵更好地解释运动，因此我可以比较平移向量的范数和一个小阈值，以选择基本矩阵或单应。有更好的方法吗？

“我想计算从一幅图像到另一幅图像的2D重投影误差。”

然后去计算一下。您的设置是经过校准的，因此除了已知的三维几何图形之外，您不需要任何其他东西。忘记极线误差吧，如果相机的运动（接近）是纯旋转，那么极线误差也可能是未定义的

---

以已知大小和形状的对象（例如棋盘）为例，从一个摄影机视图计算出其在三维空间中的位置（对于棋盘，您可以在其物理模型和投影之间拟合单应性，然后将其分解为[R | t]）。然后根据摄像机的校准参数，将现在定位的3D形状投影到另一台摄像机中，并将投影与对象的实际图像进行比较。

如果旋转和平移都不为空，则单应性无法正确模拟运动。抱歉，我没有，但这是针对房间的图片。不过，结构应该不重要。哦！对不起，我没有正确阅读你的问题。。我删除了我的评论我在场景中有一些已知的3D结构，但我也有未知深度的2D点，当我计算重投影误差以检查[R | t]变换的质量时，我也想考虑这些点。我对后者很感兴趣。那么，你真的没有比束调整更好的了，用你校准的设置和已知的3d结构作为起点。我如何进行束调整来计算重投影误差？我已经知道3D变换了。或者你认为你知道：-）你捆绑在已知的3D结构上，再加上那些3D点，你在未知深度有2d投影