OpenCV相机标定与3D重建(18)根据基础矩阵（Fundamental Matrix）校正两组匹配点函数correctMatches()的使用

• 操作系统：ubuntu22.04
• OpenCV版本：OpenCV4.9
• IDE:Visual Studio Code
• 编程语言：C++11

算法描述

优化对应点的坐标。
cv::correctMatches 是 OpenCV 库中的一个函数，用于根据基础矩阵（Fundamental Matrix）校正两组匹配点。该函数通过最小化重投影误差来优化匹配点的位置，从而提高特征点匹配的准确性。

函数原型

void cv::correctMatches
(InputArray 	F,InputArray 	points1,InputArray 	points2,OutputArray 	newPoints1,OutputArray 	newPoints2 
)		

参数

• 参数F：3x3 的基础矩阵。
• 参数points1：包含第一组点的 1xN 数组。
• 参数points2：包含第二组点的 1xN 数组。
• 参数newPoints1：优化后的第一组点。
• 参数newPoints2：优化后的第二组点。

该函数实现了最优三角化方法（详见《Multiple View Geometry》[115]）。对于每个给定的点对应关系points1[i] <-> points2[i] 和一个基础矩阵 F，它计算校正后的对应关系 newPoints1[i] <-> newPoints2[i]，以最小化几何误差$d(points1[i],newPoints1[i]{)}^2+d(points2[i],newPoints2[i]{)}^2$（其中 $d(a,b)$ 是点 a 和点 b 之间的几何距离），同时满足极线约束$newPoints{2}^T\cdot F\cdot newPoints1=0$

使用场景

• 立体视觉：在双目或多目视觉系统中，用于提高特征点匹配的精度。
• 结构光扫描：在校正三维重建过程中使用的匹配点时非常有用。
• 运动估计：在基于特征点的运动估计任务中，可以提高估计的准确性。

代码示例

#include <iostream>
#include <opencv2/opencv.hpp>int main()
{// 假设我们已经得到了基础矩阵 F 和两组匹配点 points1 和 points2cv::Mat F = ( cv::Mat_< double >( 3, 3 ) << 0.998, -0.062, 0.007, 0.062, 0.998, -0.05, 0.007, 0.05, 1.0 );// 定义一些匹配点std::vector< cv::Point2f > points1 = { cv::Point2f( 100, 150 ), cv::Point2f( 200, 250 ) };std::vector< cv::Point2f > points2 = { cv::Point2f( 105, 155 ), cv::Point2f( 205, 255 ) };// 创建输出容器std::vector< cv::Point2f > newPoints1;std::vector< cv::Point2f > newPoints2;// 优化对应点的坐标cv::correctMatches( F, points1, points2, newPoints1, newPoints2 );// 打印结果for ( size_t i = 0; i < newPoints1.size(); ++i ){std::cout << "Original Points: (" << points1[ i ].x << ", " << points1[ i ].y << ") -> (" << points2[ i ].x << ", " << points2[ i ].y << ")\n";std::cout << "Optimized Points: (" << newPoints1[ i ].x << ", " << newPoints1[ i ].y << ") -> (" << newPoints2[ i ].x << ", " << newPoints2[ i ].y << ")\n";}return 0;
}

运行结果

Original Points: (100, 150) -> (105, 155)
Optimized Points: (-39.0672, 88.7914) -> (146.107, 75.3975)
Original Points: (200, 250) -> (205, 255)
Optimized Points: (-46.7855, 188.856) -> (259.562, 81.6427)