我目前正在从 iOS 设备上的相机中提取帧。我使用 ORB 从这些帧中查找关键点及其描述符。然后，我使用 BFMatcher 查找图像上关键点之间的匹配项。
从这里我希望计算从相机到这些点的距离。我使用的所有点都是平面的(现在我使用墙上的销钉进行测试)。在此阶段没有必要考虑非平面表面，因此这应该会让事情变得容易。
我目前有:
- 要点
- 关键点描述符
- 关键点之间的匹配
- 基本矩阵
- 基本矩阵
- 两个摄像头的投影矩阵(尽管我不确定如何测试第二个摄像头是否正确)
我认为我必须以某种形式使用三角测量，但我不确定它是如何工作的。我知道我必须将来自每个摄像机的光线(由摄像机投影矩阵定义？)穿过每个关键点并找到它们相交(或最接近相交)的点。正如我假设的那样，在 3D 空间中，每条光线相交的可能性极小。另外，我的关键点匹配通常非常好，因为我做了一些基本的过滤，但有时关键点是错误的，所以我需要考虑到这一点。
在此之前我使用 Matlab 校准了相机，因此我有焦距、主点和畸变。然而，我从图像中提取的所有点都是二维的。据推测，为此有必要以 3D 形式表示这些点，但我不确定如何表示。
或者我是否采取了完全错误的方法？
显然，这将为场景中的每个点完成，但我只是画了一个点。平面(正方形)将始终处于相同的位置，但相机位置会因帧而异。关键点将位于相同的位置，但并非每帧都会拾取每个点。
最佳答案
参见 Hartley-Sturm 著名的 paper关于最佳三角测量，以及 Kanatani's variant :
关于ios - 查找立体图像中匹配关键点的距离，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/13676574/