我正在尝试编写一些代码来计算基本矩阵，以确定立体图像之间的关系。我从大多数人推荐的Hartley和Zisserman书开始，但它没有任何实际的例子，它的示例代码是在MATLAB中，我没有。然后我切换到An introduction to 3D Computer Vision Techniques and Algorithms，这更实用，并有实际的例子。我使用Python和numpy实现了推荐的8点算法，但是我无法验证它的有效性。
我正在使用第48页上列出的数据集（使用上面的链接查看Google图书摘录）。当我对点进行标准化时，我会得到与该书相同的结果。但是，当我使用numpy的SVD函数计算基本矩阵时，我得到F的以下值：
[[-0.01851684 -0.21631176 -0.67036356]
[ 0.2605251 -0.01023853 0.14234079]
[ 0.63748775 -0.09404508 -0.00220713]]
该矩阵满足方程 p_R ^ * F * p_L = 0 所以看起来是正确的。但是，它与书中计算的矩阵非常不同。我尝试使用OpenCV的cv.FindFundamentalMat（）仔细检查答案，我得到了第三个答案：
[[ 22.98129082 271.46453857 853.74273682]
[-334.1673584 -4.84123087 -175.99523926]
[-809.88891602 125.99833679 1. ]]
我不是那些其他两个矩阵的计算方法，但我在网上找不到任何基本矩阵计算的例子来验证我对8点算法的实现。我的实现返回一个满足等式的值的事实让我有信心，但我担心我做了一些愚蠢的事情，这就是为什么我无法匹配书中或OpenCV的结果。
答案 0 :(得分：6)
请注意，基本矩阵定义为常数因子（您可以通过检查极线约束来轻松验证）。尝试将OpenCV矩阵与-8.0574e-04相乘，你会发现两个矩阵在最后非常相似： - ）
因此，你的结果可能很好。结果之间的微小差异可能是由于OpenCV采用了与8点算法不同（可能更强大）的方法。