单应矩阵/基础矩阵/本质矩阵总结(二)----单应矩阵的应用

目前运用过的单应矩阵实例，有2种：

        根据opencv函数findhomograph计算出来H，反向映射出原始图像与新图像的重合关系，主要功用是在Debug时查看H的计算效果,采用的函数是warpPerspective。

第二种才是运用的重点，利用计算出的H，结合opencv函数decomposeHomographyMat,反向计算两个图片对应物体间的旋转矩阵和平移矩阵，这里参考了两部分资料的计算结果,供三种结果：

        a）采用opencv decomposeHomographyMat函数；

        b)  采用基本的SVD分解法；

        c) 开源库ORB-SLAM

        ORB-SLAMhttps://gitee.com/paopaoslam/ORB-SLAM2

这里的推荐以下两个资料：

1）论文:Deeper understanding of the homography decomposition for vision-based control. 2007https://hal.archives-ouvertes.fr/file/index/docid/174739/filename/RR-6303.pdf

2) 文章:

单应矩阵分解https://blog.csdn.net/kokerf/article/details/72885435结合opencv的sample src:对于上一个博客的两个图片的计算结果：

采用solvePnp的原始计算结果:

采用基本的SVD算法的结果:

 采用decomposeHomographyMa计算的结果,一共4种解:

最后是采用ORB-SLAM 计算的有效解，8个中一共2个Goodnum>0:

 与资料的结果是一致的。

1）分解H得到的R,其还是有一定误差的，而求出的t需要主要尺度上有缩放。

2）在基于PID算法进行路径导引时，还是具有收敛的，但是用于精度定位，不行。还是使用基于solvePnP的原理更靠谱，这也就是为什么视觉基于LandMark的导航运用的实例越来越多的原因。