在“计算机视觉中的多视图几何”中，R.Hartley,A.Zisserman 在第 11 章 - 关于计算基本矩阵可以阅读：
„11.7.3 校准案例
在校准相机的情况下，可以使用归一化图像坐标，并计算基本矩阵 E 而不是基本矩阵”
这是否意味着 – 如果我有适当的内在相机矩阵（在这种情况下是否意味着已校准？）我可以直接计算 基本矩阵（使用 8 点算法）省略计算 基本矩阵？
我可以从计算出的基本矩阵得到矩阵R和T来重建3D模型？
问候，
艺术
【问题讨论】：
标签： algorithm matrix computer-vision projective-geometry
简短的回答，是的。另请参阅Wikipedia 的详细说明。
【讨论】：
从您的通信中，使用 8point Alg 您可以获得基本矩阵 F。 从关系 E=K'^T F K 中，假设您知道 K' 和 K（如果两张图像是由同一台相机拍摄的，则您有 K'=K），您可以计算 E。 从 E 可以得到 4 个可能的相机对 (P_0,P_0') (P_1,P_1')....(P_3,P_3')。这对中只有一个满足正深度约束（即 3D 点位于两个摄像机的前面）。 那对夫妇将成为你的相机。 希望对您有所帮助！
【讨论】：
因此，通常，视觉里程计中的校准相机是指已知内在矩阵的相机。
在立体视觉里程计系统的情况下，我通常认为这意味着两个相机的内在矩阵都是已知的，但是，我的一些合作作品意味着这意味着两个相机之间的旋转和平移是已知的。
在实践中，两者之间几乎没有任何区别，因为您可以使用 MatLab 或 OpenCV 中的各种函数估计相机的内在矩阵，并且给定本能矩阵，您可以确定两个相机之间的旋转和平移。
此外，基本矩阵的推导依赖于两个相机的基本矩阵和本征矩阵（在单目视觉里程计的情况下，本征矩阵可以相同）。这意味着经常出现基本矩阵被估计而基本矩阵没有被估计的情况。
有关从基本矩阵获取旋转和平移的说明，我建议先观看有关单值分解 (SVD) 的 youtube 视频，然后阅读：https://www.researchgate.net/publication/220556161_Visual_Odometry_Tutorial。
祝你学业顺利，青年学者。
【讨论】：