11. 双目视觉之立体视觉基础

1. 深度恢复

1.1 单目相机缺少深度信息

之前学习过相机模型，最经典的就是小孔成像模型。我们知道相机通过小孔成像模型对世界点的观测是缺少深度信息的。我们得到的只是世界点在相机平面上的一个投影。如下图，世界点P只要是在那条红色线上，他在相机上的成像位置就是P‘，所以我们无法知道相机看到的P’对应的世界点的三维位置。

高博的《视觉SLAM十四讲》中一幅画很形象地说明了这个问题。

我们人类看到这个照片，也许会想到，这个明显是“近处的人和远处的人”啊。但是从单目视觉的角度来看，它并不能有“近和远”的概念，因为无论那些远处的人是“真人”还是“模型”，他都会给出这么一副图像，从数据的层面来看，他就是给的二维坐标。

1.2 如何恢复场景深度？

那么，我们很容易想到，我们知道了二维坐标，再知道那些场景的深度不就有立体感了吗？
是的，实际操作起来也很简单，再加一个相机，有两个视角看同一个场景，就能通过三角测距来确定场景点的深度。（就像我们的眼睛一样，我们的双眼就是一个完美的立体视觉系统。有人说我一只眼也能分辨出来远近，那是因为我们长久以来积累下来的“经验”让我们有了一些深度的先验信息。）

我们来假定一种最理想的情况，两个相机焦距相等，成像平面和光轴完美平行，并且其X轴方向也完美对齐，也就是两个相机不存在Y方向的偏移，那么就会如下图：

成像示意图可以这么画出来：

我们从上图可以获得一些信息：左右两个相机，他们三个坐标轴都是平行的，且焦距都是f，两者光心的连线定义为基线。两个相机同时观测到世界点P（当然这里没有考虑y，因为两相机在y方向上没有偏移。有偏移的话一样会形成这样的三角关系。）

根据相似三角形的性质，会有上述公式成立。很容易得出世界点P的深度值Z：

上面的d=(xl - xr)称为视差，从公式上也能看出，场景点符合近大远小的规则。即，f和b不变，深度z与视差d呈反比。

1.3 深度恢复的思路

通过上面的描述，我们就可以总结出深度恢复的答题思路。

①双目相机标定，标定出相机的焦距f和基线b；
②通过某种方式找到两个相机对同一个场景点观测的匹配关系，这一步一般叫做数据关联，得到视差d；
③根据公式计算深度。

2. 对极几何约束

2.1 直观感受

上面的推导我们也说了是一种理想情况，两个相机三个轴完全平行，上面的两个相机x轴还是重合的。但是我们实际使用双目相机的时候基本不可能做到上述情况。实际一般是下图所示情况：

做视觉SLAM的朋友肯定对这个对极几何约束非常熟悉。我在这里只把图上符号含义说明一下：$O$为相机光心位置，$I$为相机的成像平面，$P$是世界点，$p$为两相机各自对世界点的观测，$l$为极线，$e$为极点，$O_1{O}_{2}P$组成的平面为极平面，极线为极平面与成像平面的交线。

显然，光心和成像平面是固定的，也就是说极点是固定的，基线也是固定的，而世界点们构成的极平面是绕着基线作为轴转动的，这也造成对极线也是以基线为轴在成像平面内移动。
当然，极点不一定都在画面中，比如第一节中提到的理想情况，极点位置就在无穷远处。这种情况叫做极线矫正，后面会详细说。

对极约束说明了这样一个真相：已知左相机的观测点$p_1$，在右相机的成像平面上寻找匹配点，这个匹配点的位置就在极线上。 有了这个约束，我们不必全图范围内去寻找匹配点，而是沿着极线去寻找即可。双目相机观测到的场景中匹配点的关系如下图，途中白线就是极线。

2.2 数学上的描述

观察对极几何约束的图示，我们重新假设世界点$P$，在左相机的观测为$Pl$，在右相机的观测为$Pr$，则会有如下关系，其中$R$为两相机的相对旋转，$T$为相对平移。

我们在等式两侧同时叉乘一个$T$，

向量和自己叉乘为零，所以有：$T$x$P_r=T$x$R{P}_l$。
向量叉乘得到以两向量构成平面的法线，所以上式再与$P_r$点乘得零。
即，$P_r^T(T$x$R{P}_l)=0$。
此时，我们定义$E=T$x$R$，则有，$P_r^{T}E{P}_l=0$。
这就是对极几何约束的数学描述，其中$P_l,P_r$为相机成像平面观测的点，$E$为本质矩阵。一般我们会将$P_l,P_r$归一化到$z=1$的平面上。
当然如果我们使用相机图像像素平面的点来描述对极几何约束，只需在引入一个相机内参，即：
令$F=K_r^{-T}E{K}_l^{-1}$，这个$F$被称为基础矩阵。这个时候的$p_l,p_r$就是像素坐标系上的点了。