作者：Liam

来源：公众号@计算机视觉工坊|系投稿

构造函数

Initializer::Initializer(const Frame &ReferenceFrame, float sigma, int iterations)参数: 参考帧(第一帧), 误差, 迭代次数 操作:读取参考帧的相机模型, 内参, 去畸变的特征点等传入参数

初始化:并行的计算前后两帧的本质矩阵和基础矩阵,选出来评分高的恢复旋转和平移

bool Initializer::Initialize(const Frame &CurrentFrame, const vector &vMatches12, cv::Mat &R21, cv::Mat &t21, vectorcv::Point3f &vP3D, vector&vbTriangulated) 参数: 当前帧(第二帧), 前后帧的匹配关系(), 参考帧到当前帧的旋转, 参考帧到当前帧的平移(==当前帧指向参考帧==), 三角化后的点, 特征是否被三角化过返回值：bool->初始化是否成功的标志 操作:

• vMatches12中的匹配关系以<==第一帧特征索引,第二帧特征索引==>存储在mvMatches12中, 同时mvbMatched1[i]设置为true表示第一帧中该索引的特征点匹配成功
• 从匹配中不重复的随机选择mMaxIterations组点,每组8个
• 开两个线程同时计算单应和基本矩阵
• 计算得分
• 选择得分高的矩阵来恢复两帧位姿

寻找最优单应矩阵

void
Initializer::FindHomography(vector&vbMatchesInliers, float &score, cv::Mat &H21) 参数: 匹配的Inliers, 最后的得分, 单应矩阵 操作:

• 归一化
• 利用选择的mMaxIterations组匹配点用八点法计算单应矩阵（ComputeH21(vPn1i,vPn2i)）
• 恢复初始尺度（归一化前的）
• 保留最高得分的单应矩阵及对应的匹配内点

需要最优基础矩阵

void
Initializer::FindFundamental(vector&vbMatchesInliers, float &score, cv::Mat &F21) 参数: 匹配的Inliers, 最后的得分, 基础矩阵 操作:

• 归一化
• 利用选择的mMaxIterations组匹配点用八点法计算基础矩阵（ComputeF21(vPn1i,vPn2i)）
• 恢复初始尺度（归一化前的）
• 保留最高得分的基础矩阵及对应的匹配内点

计算单应矩阵

这样就可以用一组匹配点构造两个约束(其实是三个，但是三个线性相关，所以只取前两个)，所以自由度为8的单应矩阵需要四组匹配点就可以算出。 操作：

• 利用八组匹配点构造A矩阵
• 利用SVD分解求解AX=0型的方程
• 最小特征值对应的特征向量就是方程的解（可参考多视图几何第二版198-200页）

计算基础矩阵

cv::Mat Initializer::ComputeF21(const vectorcv::Point2f &vP1,const vectorcv::Point2f &vP2) 参数：

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「计算机视觉工坊」公众号后台回复：深度学习，即可下载深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容近30本pdf书籍。

下载2

在「计算机视觉工坊」公众号后台回复：计算机视觉，即可下载计算机视觉相关17本pdf书籍，包含计算机视觉算法、Python视觉实战、Opencv3.0学习等。

下载3

在「计算机视觉工坊」公众号后台回复：SLAM，即可下载独家SLAM相关视频课程，包含视觉SLAM、激光SLAM精品课程。