重投影误差

#

重投影误差
    偶尔在一篇文章中看到有关于重投影误差的介绍，简洁明了，现整理如下，同时也算是对自己图像基础知识的夯实打牢。
    在计算机视觉中，经常会用到重投影误差（Reprojection error）。比如在计算平面单应矩阵和投影矩阵的时候，往往会使用重投影误差来构造代价函数，然后最小化这个代价函数，以优化单应矩阵或者投影矩阵。之所以使用重投影误差，是因为它不光考虑了单应矩阵的计算误差，也考虑了图像点的测量误差，所以其精度比单边或者对称变换误差高。
    以平面单应矩阵的计算为例，假设两幅图像中的对应点满足：

    其中，H是平面单应矩阵，x和x’是图像中的对应点，则重投影误差的形式如下：

    subject to:

    其中，x ^{是x的估计值，H}是H的估计。最小化重投影误差就是优化H ^和x。从重投影误差公式可以看出，模型认为测量点并非绝对精确，而是存在一定的测量误差，因此需要重新估计图像点的坐标，而估计得到的新的图像点之间完美的满足单应关系。下图就是重投影误差的几何表述，d和d’的和即为重投影误差：

    上面都是在假设图像点有测量误差的情况下讨论的，如果x和x’都是图像上的点，那么确实是满足上面的模型的。但是有一种特殊情形，那就是摄像机定位时通常都会遇见的，x不是图像点，而是平面标志点在世界坐标系下的坐标，只有x’是图像点。在这种情况下，由于标志点通常都是很标准的，都是严格按尺寸制定的，所以我们可以认为x是绝对准确的，那么此时只有x’存在测量误差。如下图：

    此时，x的估计x ^{就是它本身，即x=x}，所以有：

    那么重投影误差在强约束条件x=x^下就退化为：

上式即为单边变换误差（Transfer error）。

   所以在这种情况下，单边几何变换误差才好的代价函数。也就是说，如果给重投影误差加上约束条件x=x^，重投影误差就退化为单边变换误差，并且极大地简化了优化算法。

   同时，从上面的推导也可以得出结论：在使用已知标志点给摄像机定位时，重投影误差并非最好的选择，因为重投影误差模型会认为标志点存在误差，从而重新估计标志点的坐标，引入多余的误差；而此时，事实上，重投影误差已经退化为单边几何变换误差，所以在这种情况下，单边几何变换误差才好的代价函数。

---

再谈重投影误差：