矩阵类型
内参矩阵——表示从相机坐标系到图像坐标系
外参矩阵——外参矩阵是世界坐标系到相机坐标系的变换
本质矩阵(本征矩阵)E——描述了空间中的点在两个坐标系中的坐标对应的关系
基础矩阵F——描述了空间中的点在两个像平面中的坐标对应的关系
单应矩阵H——描述物体在世界坐标系和像素坐标系之间的位置映射关系
单应矩阵H
我们在这里引入一个新的概念：单应性（Homography）变换。可以简单的理解为它用来描述物体在世界坐标系和像素坐标系之间的位置映射关系。对应的变换矩阵称为单应性矩阵
如果图像没有畸变。焦距归一化之后，内参数矩阵变为单位矩阵，此时基础矩阵就是本征矩阵
基础矩阵E
基础矩阵是对极几何的代数表达式，描绘了两张图中，对应点x<−>x’之间的约束关系
基础矩阵也不是满秩的矩阵，这和本征矩阵一样。基础矩阵可以通过7个独立的参数进行定义。假定其中3×3的F矩阵中最后一个（右下角）一个参数为1，那么可以使用8个匹配好的点对来进行参数估计。
基础矩阵也不是满秩的矩阵，这和本征矩阵一样。基础矩阵可以通过7个独立的参数进行定义。假定其中3×3的F矩阵中最后一个（右下角）一个参数为1，那么可以使用8个匹配好的点对来进行参数估计。
本征矩阵
本征矩阵的秩为2（不是满秩），因此理论上上述方程组有无数的可行解。本征矩阵在一个尺度上可以通过5个独立的参数定义，可以使用五点法来进行参数的估计。
相机位姿估计
相机位姿估计是指给定若干图像，估计其中相机运动的问题。求解方法通常分特征点法和直接法两种。下面主要介绍特征点法。
特征点法的思路是先从图像当中提取许多特征，然后在图像间进行特征匹配，这样就得到许多匹配好的点，再根据这些点进行相机位姿的求解。根据传感器形式的不同，可以分成三种情况：
- 2D-2D，单目相机获取的影像，只能获得像素坐标
- 3D-3D配对点，RGBD或双目相机，可以获取深度信息
- 3D-2D，已知一张图中的3D信息，另一张图只有2D信息
可以是2D-2D(单目相机初始化时)，2D-3D配对点（单目相机运行过程中，已经算出了3D的地图点，又来了2D的图形），或是3D-3D的匹配点（使用双目相机、RGBD相机或其他传感器，可以直接过间接获取匹配好的三维点对）。本文讨论的主要是是基于2D-2D的配对点。
