双目立体视觉：三（空间直线坐标，立体图像校正）

双目的一些推导
比如：基线、视差这些在我之前的博客有单独介绍的，这里就不做详细说明了
现在问个问题，我们在应用双目相机时，最想看到两个相机处于什么状态呢？
相机内参相同、光轴平行、x轴重合、两个相机y轴平行，且在x方向差一个距离b（基线长度）。
这样就十分方便了，我们可以通过解几何的方式判断物体的坐标。
然而
实际中，这种完全标准理想的状态是不存在的，因此引申了一种方法，通过相机标定，将图像转化到理想的双目关系空间的坐标系下。（这里用到了投影矩阵，将点投到标准的投影面上）

在写下面文章时，我们先讨论一下空间中的直线，以及点在直线上的表达方法。
一维：y=kx+d……………………别想了，一维只有点，哪会有线（你看到的线其实是一串点）（这个可以看下二郎写的经典分析，导数和切线：https://blog.csdn.net/a6333230/article/details/81220252）
二维：z=ax+by+d…………二维的公式是一堆线，其中我们最常用的线为0=ax+by+d
那么，我们如何表示一个点在这个线上呢？

我们的点的齐次坐标左乘我们的直线坐标就能清晰地表达我们点在线上的关系了。

这里强调一下，我们为什么要把M的标写到上标？因为这里很容易和前面提到的内参矩阵和外参矩阵混在一起，内参矩阵为M1，外参矩阵为M2
上面是图像基元中的直线的表示方法。
下面详细地介绍一下极线约束
（https://blog.csdn.net/ssw_1990/article/details/53355572）这篇博文不错，可以快速理解
非常简单的理解——左图中的一个点对应右图中的一条线，这条对应的线叫做极线。

针对极线约束，提出了很多方法协助图像寻找对应点（找到两幅图像的对应点就可以确定点的位置）
一般使用过程中多数是先利用立体图像校正