目录：

(1)三角化的提出

(2)三角化公式

(3)求解深度的另外两种方法

(1)三角化的提出

三角化最早由高斯提出，并应用于测量学中。简单来讲就是：在不同的位置观测同一个三维点P(x, y, z)，已知在不同位置处观察到的三维点的二维投影点X1(x1, y1), X2(x2, y2)，利用三角关系，恢复出三维点的深度信息z。

(2)三角化公式

按照对极几何中的定义，设x1, x2为两个特征点的归一化坐标，则它们满足：

s1x1 = s2Rx2 + t                                         公式(1)

=> s1x1 - s2Rx2 = t                                    公式(2)

对公式(2)左右两侧分别乘以x1T，得：

s1x1Tx1 - s2x1TRx2 = x1T t                       公式(3)

对公式(2)左右两侧分别乘以(Rx2)T，得：

s1(Rx2)Tx1 - s2(Rx2)TRx2 = (Rx2)T t       公式(4)

由公式(3)和公式(4)可以联立得到一个一元二次线性方程组，然后可以利用Cramer's法则（参见线性代数书）进行求解。

如下是对应的代码

(3)求解深度的另外两种方法

a.利用叉乘进行消元进行求解

由

s1x1 = s2Rx2 + t                                公式(1)

左右两边同时乘以x1的反对称矩阵，可得：

s1x1^x1 = 0 = s2x1^Rx2 + x1^t         公式(2)

由上式可解得s2，

将s2代入公式(1)，可求得s1

b.利用Mid Point Method进行求解(Hartley大名鼎鼎的《Multiple View Geometry》中有讲解)

从此图中我们可以知道，理想情况下O1P和O2P会相交于空间中的一点，但是由于图像分辨率以及噪声的存在，实际的情况更可能是上图所描述的那样：O1P和O2P在空间中没有交点，这时我们需要找到一个O1P与O2P之间的公垂线，然后取其上的中点作为我们重建出的三维点，此即为Mid Point Method，具体的推导及公式请参看Hartley的《Multiple View Geometry》。

 好了，今天的三角化深度信息我们就讲解到这里，下次课我们接着讨论三角化深度信息中的误差分析。

 附录：

1.Cramer's 法则：

如果A的行列式不为0， Ax=b可以通过如下行列式进行求解：

 矩阵Bj为A的第j列被b替换后得到的新的矩阵。

(2)三角化中误差的来源分析

(3)如何减小三角化所带来的误差

(4)三角化所遇到的奇异情况

(1)三角化所带来的误差的提出

两帧图像中的特征点坐标三角化得到空间点的三维信息。来分析一下三角化得到的三维信息中深度的误差。

如上图所示：

P为空间中的一个三维点，p1和p2分别为在两个位置处，摄像机观察到的投影的二维点坐标。

l2为p1在第二幅图中所对应的极线（极线的概念请参考立体视觉中的对极几何，这里不再赘述）。

现在，我们要探讨的是：

如果我们在l2进行极线搜索时，所找到的p2'点与真实的p2点有一个像素的误差，那么会给三角化后的三维点P的深度z带来多大的误差。

首先，根据上图，我们可以得到向量之间的关系，以及三角化中的两个夹角的定义：

a = p - t 公式(1)

α = arccos 公式(2)

β = arccos 公式(3)

其中，a, p, t均为向量，α和β为图中所示的两个夹角。

如果此时，我们求取的p2'点与p2点有一个像素的偏差，同时，这一个像素的偏差又会给β带来δβ的角度变化，我们利用β'来表示对β进行δβ扰动后的新的角度。

设相机的焦距为f，则：

公式(4):

公式(5):

公式(6):

至此，加入扰动后的所有新的角度我们都求出来了。

由正弦定理，我们可以得到：

公式(7):

则由第二个位置上的二维点的一个像素的误差，可能导致的三角化后深度的误差为：

δp = ||p|| - ||p'||

这里的δp其实也正是深度的一个均方差（不确定度σobs），这个不确定度是我们后面要介绍的深度滤波器的一个很重要的概念，深度滤波器的目的也正是要不断减小这个不确定度，使得深度的不确定度最后能够收敛到一个能够接受的值。

(2)三角化中误差的来源分析

上面分析了第二幅图中的特征点p2的误差是如何影响三角化后的深度值的。

下面，我们来指出三角化的误差来源有哪几方面：

a.图像的分辨率：图像的分辨率越高，一个像素所带来的δβ就越小。

b.特征点求取时的精度：是否做到亚像素，在亚像素的基础上，误差有多大？

c.p1点的误差：会引起极线l2的误差，从而间接地影响p2点的精度。

d.相机两次位置的平移向量t的大小：t的模的大小也代表了对极几何中的基线长度，由公式(7)可以看出基线长度越大，三角化的误差越小。

(3)如何减小三角化所带来的误差

根据【(2)三角化中误差的来源分析】中所分析的一些因素可知，要想减小三角化过程中引入的误差，可以有如下几个方法：

a.选取尽可能高分辨率的相机。

b.进行亚像素的优化（比如在极线搜索时对像素点坐标进行双线性插值）

（关于双线性插值，这篇文章做了比较清晰的讲解：http://blog.163.com/guohuanhuan_cool@126/blog/static/167614238201161525538402/）

c.同样使用亚像素级的图像处理算法来处理p1点。

d.在不丢失特征点的情况下，让平移量t尽量大。

(4)三角化所遇到的奇异情况

由上面的公式推导我们可以看出，三角化中，必须要有平移量t，否则无法构成三角形，进行三角化。

所以在有些单目的SLAM，AR/VR的场景中，有经验的人都会有意识地将设备或者相机进行一定量的平移，而不会在原地进行纯旋转。

总结一下，我们今天分析了三角化过程中的误差有哪些，并从理论上对误差进行了量化的推导。同时，我们还分析了如何减小三角化过程中的误差。

一提到深度滤波器，大家肯定首先会觉得深不可测，听名字就觉得高大上。其实，有了前面的预备知识，不难理解今天要讲解的深度滤波器的原理。

我们今天给大家介绍的是比较简单的高斯分布假设下的深度滤波器。

高斯分布是自然界中最常见的一种分布形式，并且也符合绝大部分的自然情况。简单起见，我们先假设三角化后恢复的深度值符合高斯分布。对于像素点的深度值d，满足：

P(d) = N(μ，σ2)

每当新的数据过来，我们就要利用新的观测数据更新原有的深度d的分布。

这里的数据融合的方式与经典的Kalman滤波方式大同小异。

这里，我们利用观测方程进行信息融合。

假设新计算出来的深度数据的分布为：

P(dobs) = N(μobs，σobs2)

我们将新计算出来的深度数据乘在原来的分布上，进行信息融合的更新：

我们知道，利用两个高斯分布的乘积的分布公式，可以得到融合后的高斯分布：

P(dfuse) = N(μfuse, σfuse2)

其中，

那么问题来了，这里的μobs，σobs2该如何才能得到呢？

这里的μobs实际上就是每次我们新三角化出来的深度值，而对于σobs2，如果你还对上一篇文章有印象的话，就会记得我们推导了一系列公式所得到的那个δp（不确定度σobs），如果你忘记了，可以回去上一篇文章再复习一下。

那么原始的分布μ，σ2该如何得到呢？

这个很简单，第一次三角化出来的μ，σ2就可以作为初始值，然后每次新三角化出一个三维点，就去更新深度值的分布。

至此，我们似乎得到了一个不错的结果：既简单又优美的公式。

实际上还会存在什么问题呢？

（1）实际的深度值分布是否真的符合高斯分布？

（2）如果我们中间过程有一次三角化的过程求错了，并且还进行了信息融合，会有什么后果？

（3）我们如何避免第二个问题中所提出的情况？

这些问题留给读者去思考，也欢迎在下方给我留言，一起探讨这些问题的解决方案。