相机参数（内参、外参）+对极几何（基本矩阵、本质矩阵）+三维重建相关

用到对极几何的知识，补充一些基础。
相机模型参数：https://blog.csdn.net/Hee1234567890/article/details/80099878（这一篇足以）
对极几何：https://blog.csdn.net/lancelot_vim/article/details/51724330
https://www.cnblogs.com/jessica-jie/p/8085346.html
基本矩阵：https://www.cnblogs.com/yuanlibin/p/9462180.html

································································································
1-30号更新
在看三维重建，发现以前看的知识不牢靠，忘得差不多了，又把相机模型推了一遍，在得到相机参数之后可以进行双目三维重建，在理想状态下（两摄像机平行），由图像点可以估算三维坐标。非理想状态，需要先进行立体校正，先转换为理想状态，求得视差（需要两个摄像头的信息），有视差就可以求三维坐标的深度，再利用反投影矩阵Q，由图像点得到三维点。（但这仅用于双目摄像头，多目还不是这样）
参考文献：https://blog.csdn.net/qustqustjay/article/details/36453117
其中，这部分的推导想了好久，具体双目深度与视差公式推导可以看这个：https://blog.csdn.net/wangxiaokun671903/article/details/38322771
这个也是公式推导
重投影矩阵Q：https://blog.csdn.net/xuelabizp/article/details/50476639
张正友标定法（简介）：https://www.cnblogs.com/dverdon/p/5609124.html
单应性矩阵的理解及求解
单应性矩阵的理解及求解2

---

2-16号更新
旋转向量和旋转矩阵的互相转换（python cv2.Rodrigues()函数）
2D坐标系与3D坐标系的相互转换–python实现（在实际应用在单应性映射时，可以把Z设为0，不去考虑，P矩阵就变成3*3的了，具体可见上面关于单应性矩阵的理解。）

---

2-23号更新
在看《Learnable Triangulation of Human Pose》这篇文章时，对里面二维到三维的几何推导不甚了解，于是费了一番功夫查了下资料。
主要是从论文中的公式5开始看不太懂：

这里用的方法来自MVG那本书，没时间读的话可以看这个博客作了解：多视图几何学(Multiple View Geometry)读书笔记目录

1. 论文中y用来表示3D关键点坐标(x,y,z)，y~则是三维齐次坐标形式(x1,x2,x3,x4)T，它与非齐次坐标的关系是：
   这样就可以理解为啥y~是四维坐标。
   参考资料：三维空间中的射影几何(一）（写得简略）
   计算机视觉中的数学方法——2空间射影几何——2.1 射影空间（写得详细）
   （其中三点确定一个平面可以推导下，一年没用都快忘了线性代数计算……）

2. 另一个疑问是A的维度(2C,4)是怎么来的
   文中说，A由全投影矩阵的一部分和关键点2D位置组成的矩阵，它其实就是表示不同视角的同一个三维映射点的约束关系:AY=0。“4”显而易见表示4维齐次坐标，“2C”是指每一个视角与三维世界存在一对对应点，每个对应点可以写成两个约束方程，那么如果有C个视角，则一共有2C的约束方程。
   总之，这个结果是由计算推导得到的，参考资料：
   单应矩阵估计这件小事（一）（先看二维）
   单应矩阵估计这件小事（二）（再看三维）
   上面这个链接也给出了文中所说 “overdetermined system of equations”，三维坐标的超定方程组的概念：
   

3. A的求解
   （单应矩阵估计这件小事（一） 这里的DLT算法应该就是文中的A矩阵，按照文中的意思，后面用SVD解W*Ay=0这个齐次方程组，用的是这个
   SVD分解　解齐次线性方程组
   SVD解线性方程组 方法，得到后V的最小特征值的那一列就是y的值。）