我有一个3x3的协方差矩阵,用于3D点,并希望知道在图像平面上(对应于u,v)的等效2D协方差,给定图像姿态[Xc,Yc,Zc,q0,q1,q2,q3]
,
有一个很长的(几何)方法,将3D协方差转换为3D椭圆,然后投影到平面上得到2D椭圆,最后将椭圆转换为2D矩阵,但这很麻烦,
任何直接的代数求解方法都会有所帮助,
P.S.:任何线索或有关解决方案的参考资料(不需要代码),也会有所帮助,我将以C++编写答案。
我还标记了卡尔曼滤波,因为我认为它与此相关。
我有一个3x3的协方差矩阵,用于3D点,并希望知道在图像平面上(对应于u,v)的等效2D协方差,给定图像姿态[Xc,Yc,Zc,q0,q1,q2,q3]
,
有一个很长的(几何)方法,将3D协方差转换为3D椭圆,然后投影到平面上得到2D椭圆,最后将椭圆转换为2D矩阵,但这很麻烦,
任何直接的代数求解方法都会有所帮助,
P.S.:任何线索或有关解决方案的参考资料(不需要代码),也会有所帮助,我将以C++编写答案。
我还标记了卡尔曼滤波,因为我认为它与此相关。
J_f
?实际上,f
是针孔投影函数,可以分解为以下部分:f = f_intr o f_persp o f_pose
,其中:
f_intr
应用相机的内参系数(即水平和垂直焦距 fx
和 fy
,倾斜 s
,主点坐标 cx
和 cy
):f_intr( [xn; yn] ) = [fx, s, cx; 0, fy, cy] . [xn; yn; 1] = [fx . xn + s . yn + cx; fy . yn + cy]
f_persp
将相机坐标系中的三维点应用针孔透视模型:f_persp( [Xc; Yc; Zc] ) = [Xc/Zc; Yc/Zc]
f_pose
应用三维刚体变换(即旋转 R_cw
,平移 t_cw
),将世界坐标系中的三维点映射到相机坐标系中的三维点:f_pose( [Xw; Yw; Zw] ) = R_cw . [Xw; Yw; Zw] + t_cw
导数的链式法则有助于表达复合函数的导数:
如果
f = f_intr o f_persp o f_pose
,并且用Xc=f_pose(Xw)
,xn=f_persp(Xc)
和xi=f_intr(xn)
表示,则我们有以下结果:
J_f( Xw ) = J_f_intr( xn ) . J_f_persp( Xc ) . J_f_pose( Xw )
f_intr
,f_persp
和 f_pose
的雅可比矩阵很容易以解析方式表示:
f_intr
在xn
方面是线性的,因此J_f_intr=[fx, s; 0, fy]
是一个常数
J_f_persp(Xc)=[1/Zc, 0, -Xc/Zc²; 0, 1/Zc, -Yc/Zc²]
f_pose
在Xw
方面是线性的,因此J_f_pose=R_cw
是一个常数
最终,我们得到以下解析表达式:
C_xi=J_f.C_Xw.J_f^T
其中J_f=[fx, s; 0, fy].[1/Zc, 0, -Xc/Zc²; 0, 1/Zc, -Yc/Zc²].R_cw
同样,这是一个一阶近似,但针孔投影函数“不是非常非线性”,意味着这样的近似通常足够接近于大多数应用。
Eigen::Matrix3f points_cov_2d(VectorXf cov_p,Quaternionf quatcam ,
float z_m,float f_x,float f_y){
Matrix3f cov3d;
cov3d << cov_p(0),cov_p(1),cov_p(2),
cov_p(3),cov_p(4),cov_p(5),
cov_p(6),cov_p(7),cov_p(8);
SelfAdjointEigenSolver<MatrixXf> eigenSolver(cov3d);
Vector3f eigs = eigenSolver.eigenvalues();
Matrix3f vecs = eigenSolver.eigenvectors();
Matrix3f n_vecs = quatcam.toRotationMatrix()*vecs;
Matrix3f cov2d = n_vecs*eigs*n_vecs.inverse();
cov2d = cov2d *(1/z_m/z_m);
cov2d(0)*=(f_x*f_x);
cov2d(4)*=(f_y*f_y);
cov2d(3)*=(f_x*f_y);
cov2d(1)*=(f_x*f_y);
cov2d.block<1,3>(2,0) << 0,0,0;
cov2d.block<3,1>(0,2) << 0,0,0;
return cov2d;
};