Реконструкция матрицы вращения из набора 2D проекций ⇐ Python

[Anonymous]

Недавно я пишу простой код, который генерирует 3D -точки (куб 4x4x4 или просто несколько случайных отбирателей 11 3D -точек). Затем я поворачиваю эти точки вдоль оси Y, затем добавляю немного Z-OffSet, а затем вычисляю два двухмерных прогрессивных проекций для оригинального массива 3D-точек и повернули один. При этом я моделирую разные представления на одном и том же 3-D объекте. ) Это работа очень нестабильна, несмотря на то, что данные, предоставленные им, всегда могут быть одинаковыми. Я не вижу никакой существенной проблемы в моих данных, кажется, (для меня) более чем достаточно, есть 64-очки без какого-либо шума, что так когда-либо, так почему findfundamentalMatrix работает так плохо для меня?
код: < /p>
import cv2
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

def make_camera(cam_x, cam_y, f):
X = np.linspace(-cam_x, cam_x, 2)
Y = np.linspace(-cam_y, cam_y, 2)
X, Y = np.meshgrid(X, Y)
# Define the Z values for the surface
Z = np.zeros_like(X) # For a flat square surface at Z=0
O_cam = np.array([0, 0, -f])
return np.concatenate([np.stack([X, Y, Z], axis=2).reshape(-1, 3), [O_cam]], axis=0)

def show_camera(ax, cam_xyz, color='green'):
# Plot the surface
O_cam = cam_xyz[4]
X, Y, Z = [e[..., 0] for e in np.split(cam_xyz[:4].reshape(2, 2, 3), 3, axis=2)]
ax.plot_surface(X, Y, Z, color=color, edgecolor='cyan', alpha=0.3)
ax.scatter([O_cam[0]], [O_cam[1]], [O_cam[2]], s=4, color=color)
for i in range(4):
ax.plot([O_cam[0], cam_xyz[i, 0]],
[O_cam[1], cam_xyz[i, 1]],
[O_cam[2], cam_xyz[i, 2]], color='cyan')

t = np.pi / 6
R_z_man = np.array([[np.cos(t), -np.sin(t), 0],
[np.sin(t), np.cos(t), 0],
[0, 0, 1]])

R_x_man = np.array([[1, 0, 0],
[0, np.cos(t), -np.sin(t)],
[0, np.sin(t), np.cos(t)]])

R_y_man = np.array([[np.cos(t), 0, -np.sin(t)],
[0, 1, 0],
[np.sin(t), 0, np.cos(t)]])

R_man = R_y_man

points1 = []
for x in np.linspace(start=-1, stop=1, num=4):
for y in np.linspace(start=-1, stop=1, num=4):
for z in np.linspace(start=-1, stop=1, num=4):
points1.append([x, y, z])

#np.random.seed(42)
#points1 = np.random.rand(11, 3) - 0.5

points1 = np.array(points1)
points2 = points1 @ R_man

points1 += np.array([0, 0, 4])
points2 += np.array([0, 0, 4])

orign_points = np.copy(points1)

points1 = points1[:, :2] / points1[:, [2]]
points2 = points2[:, :2] / points2[:, [2]]

F, mask = cv2.findFundamentalMat(points1, points2, cv2.USAC_MAGSAC, 0.2, 0.99999, 50000)

print(F)

# Camera intrinsic parameters (example values, replace with actual calibration data)
fx = 1 # Focal length in x
fy = 1 # Focal length in y
cx = 0.5 # Principal point x
cy = 0.5 # Principal point y

# Camera calibration matrix
K = np.array([[fx, 0, cx],
[0, fy, cy],
[0, 0, 1]])

# Compute the essential matrix
E = K.T @ F @ K
print("Essential Matrix:\n", E)

# Decompose the essential matrix to get rotation and translation
U, S, Vt = np.linalg.svd(E)

# Ensure a proper rotation matrix
W = np.array([[0, -1, 0],
[1, 0, 0],
[0, 0, 1]])

print(R_man.round(2)) // Manual rotation

R_cal = U @ W @ Vt

print(R_cal.round(2).T) // Calculated rotation is rarely the same as manual why?!

t = U[:, 2]

# Normalize translation vector
print(t)
t = t / np.linalg.norm(t)

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
cam_1_xyz = make_camera(cam_x=cx, cam_y=cy, f=(fx + fy)/2)
cam_2_xyz = make_camera(cam_x=cx, cam_y=cy, f=(fx + fy)/2)
show_camera(ax, cam_xyz=cam_1_xyz, color='red')
cam_2_xyz = cam_2_xyz @ R_cal# + t
show_camera(ax, cam_xyz=cam_2_xyz, color='blue')

ax.scatter(orign_points[:, 0], orign_points[:, 1], orign_points[:, 2], s=1.0, c='g')

ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')
ax.set_title('3D Square Surface')
ax.set_aspect('equal')

plt.show()


Подробнее здесь: https://stackoverflow.com/questions/793 ... rojections