depth estimation笔记

Dense Prediction

dense prediction 应该是指 pixel-wise prediction，有几种任务都属于这一类，包括：semantic / instance / panoptic segmentation、depth estimation、surface normal estimation，等等。

Background of Camera

凸透镜可以会使光线汇聚，过焦点之后有类似小孔成像的效果，用作相机镜头以成像。光线透过凸透镜后一般会发生折射，但凸透镜中存在一点，使得通过的光线不发生折射，谓之光学中心，简称光心，可以近似将凸透镜中心看作光心的位置^[1]。平行光透过凸透镜后会汇集到一点，谓之焦点（focal point）。光心到焦点的距离谓之焦距（focal length），记为 f。过凸透镜两个球面球心的直线谓之主光轴。成像最清晰的位置一般在一倍到两倍焦距之间（所以在焦点后面），参考 [2]。

Fig. 1

4 Coordinate Systems

• 世界座标系：world coordinate system，参考 [3-6]，好像是自己在空间中任意找一点做原点建立空间直角座标系。由 [6] 的评论来看，应该要建成右手系（right-handed coordinate system），即右手拇指为 x、食指为 y、中指为 z。座标可用「${}_w$ 」标记：$(x_w,y_w,z_w)$。
• 相机座标系：[5] 称 camera view coordinate system。也是右手系，光心为原点，z 轴沿光轴指出，x、y 分别平行于图像的两轴（假设图像是矩形），参照下面图 2 的方式指定 x 指右、y 指下。座标可用「${}_c$ 」标记：$(x_c,y_c,z_c)$。
• 图像座标系：[7] 称之为「图像物理座标系」。此处「图像」是指 3D 景象在相机中小孔成像得到的像，而不是像素形式的电子相。相机中应该有一个平面装置用于成像？类似视网膜，谓之光屏或成像平面（image/retinal plane）。此座标轴的原点是光轴与成像平面的交点，谓之 principal point。x、y 轴与相机座标系的 x、y 轴平行且同向，即也是 x 指右、y 指下。座标记为：$(x,y)$。
• 像素座标系：[5] 称 screen coordinate system，[11] 称图像像素坐标系。前三个座标系单位都是长度单位，而此座标系单位是像素。与相机座标系同在成像平面，只是换了原点位置和单位。原点在图像左上角，横轴称 u 轴，指右；纵轴称 v 轴，指下。座标记为：$(u,v)$。

图示见 [3,5,6]（[6] 中有些画成左手系了，需要甄别），几个座标系的转化见 [6-8] 和后文相机成像模型。

NeRF^[30] 中用到的 camera 座标是 OpenGL 式的（其代码的 README 有讲）：x 还是指右，但 y 指上、z 指入，也叫视座标（eye coordinates），跟这里写的不同，不过还是右手系。而且它只考虑一个视锥（frustum，一个截头锥体，即三维梯形）范围的点，超出范围的点截断不考虑，称为 clip coordinates，然后映射到 NDC（Normalised Device Coordinates）。NDC 是个左手系，跟 OpenGL camera 座标的关系是：z 轴反向（即沿光轴指出），而 x、y 轴同向。这部分可以跟 [31] 和 NeRF 的 supplementary material 一起看。

3 Angles

参考 [9-14]，以飞机为例，类似相机座标系，以飞机重心为原点，基于飞机自身建立右手系，三条轴介绍见 [9]。

Fig. 2

• yaw：yaw 轴是立轴（vertical axis），重力方向是正向。沿 yaw 轴旋转的角称 yaw 角 / 偏航角。
• roll：roll 轴是纵轴（longitudinal axis），正向向机头指出。沿 roll 轴旋转的角称 roll 角 / 翻滚角 / 滚动角。
• pitch：pitch 轴是横轴（transverse / lateral axis），正向指右。沿 pitch 轴旋转的角称 pitch 角 / 俯仰角。

顺各轴正向看去，顺时针转为正角，逆时针转为负角。

Camera Pose

参考 [15,16]，位姿（pose）包括位置和姿势。以世界座标系为参考系、用相机座标系代表相机，则：

• 相机的位置可以用相机座标系原点到世界座标系原点的偏移表示，记为偏移向量 $\mathbf{t}=(t_x,t_y,t_z)$；

• 姿势表示相机相对于世界来说，是抬头还是低头、左望还是右望、正视还是歪脖，建模成相对世界座标系的旋转，即绕一个三维向量旋转一个角度，此时的座标变换用罗德里格斯（Rodrigues）旋转公式（见 [17,18]）描述： $$\mathbf{u}=(\cos \theta )\mathbf{v}+(1-\cos \theta )(\mathbf{r}\cdot \mathbf{v})\mathbf{r}+(\sin \theta )\mathbf{r}\times \mathbf{v}$$其中 $\mathbf{v}$ 是原向量，$\mathbf{r}=(r_x,r_y,r_z)$ 是旋转轴（单位向量），$\theta$ 是 $\mathbf{v}$ 绕 $\mathbf{r}$ 逆时针旋转的角度，$\mathbf{u}$ 是旋转后的向量。它又可以写成矩阵形式：$$\mathbf{u}=\mathbf{R}\mathbf{v}=\mathbf{v}+(\sin \theta )[\mathbf{r}{]}_{\times }\mathbf{v}+(1-\cos \theta )[\mathbf{r}{]}_{\times }^2\mathbf{v}$$其中 [ r ] × = [ 0 − r z r y r z 0 − r x − r y r x 0 ] [\boldsymbol{r}]_{\times}=\left[

  $$\begin{aligned} 0 && -r_z && r_y \\ r_z && 0 && -r_x \\ -r_y && r_x && 0\end{aligned}$$ \right] [r]×​= ​0rz​−ry​​​−rz​0rx​​​ry​−rx​0​ ​是由 $\mathbf{r}$ 生成的反对称阵，$$\begin{array}{rl}\mathbf{R}& =\mathbf{I}+(\sin \theta )[\mathbf{r}{]}_{\times }+(1-\cos \theta )[\mathbf{r}{]}_{\times }^2\\ & =(\cos \theta )\mathbf{I}+(\sin \theta )[\mathbf{r}{]}_{\times }+(1-\cos \theta )\mathbf{r}{\mathbf{r}}^T\end{array}$$ 是旋转矩阵。由旋转矩阵反推旋转角 $\theta$、旋转轴 $\mathbf{r}$ 见 [18,19]。

Camera Imaging

相机成像即将三维世界中的景物投影到成像平面，由感光器件转成电子图像。在由前文几个座标系描述的世界观中，成像模型描述三维点从世界座标系中（的座标）变换成像素座标系（的座标）的过程，参考 [20-24]。

rigid transformation

当世界座标系和相机座标系不是同一个座标系时，第一步需要转换视角，将三维点的位置从世界座标系下的表示改为相机座标系下的表示。这一步是刚体变换，只涉及旋转和平移：
( x c y c z c ) = R ( x w y w z w ) + t \left(

$$\begin{aligned} x_c \\ y_c \\ z_c \end{aligned}$$ \right)=\boldsymbol{R}\left( $$\begin{aligned} x_w \\ y_w \\ z_w \end{aligned}$$ \right)+\boldsymbol{t} ​xc​yc​zc​​ ​=R ​xw​yw​zw​​ ​+t 这样写是仿射的形式，可以引入齐次座标（homogeneous coordinates）改写成线性变换（即只有矩阵乘法）的形式：
$$\left(\begin{array}{r}{x}_c\\ y_c\\ z_c\\ 1\end{array}\right)=\left[\begin{array}{rlr}& \mathbf{R}& \mathbf{t}\\ & 0^T& 1\end{array}\right]\left(\begin{array}{r}{x}_w\\ y_w\\ z_w\\ 1\end{array}\right)$$ 齐次座标的介绍见 [25-27]，感觉在这里只是个简化符号的伎俩。

$\mathbf{R}$ 和 $\mathbf{t}$ 合称外参（extrinsic parameters），「外」是指不依赖于相机本身的属性（如：相机型号改变，并不影响这一步的座标系变换）。由 [18-20]，$\mathbf{R}$ 可以还原回旋转轴 $\mathbf{r}$、旋转角 $\theta$，又因为旋转轴只需要方向信息，故可以顺便用旋转轴的模长编码旋转角（从球座标的角度看，就是用两个角度表示旋转轴（的方向）、用极径表示旋转角），于是外参实质只有 6 个变量/自由度。

perspective projection / projective transformation

透视投影是将三维点投影到二维成像平面/光屏。由 [28]，理想的成像是一个物点惟一对应一个像点，即由一个物点发出/反射的多条光线中，只有一条（或少数几条）射在光屏上（图示见 [24] Figure 1），一个光圈足够小的小孔相机（pinhole camera）可以实现，但会因为射入光线太少而成像过喑。

凸透镜可以让一个物点发出/反射的多条光线射入而又汇聚到一点，兼顾成像清晰和亮，其图示见 [2,20,24]。但是这里的「清晰」只是对部分物点，由更远、更近的物点发出/反射的光线在透镜后汇聚的位置并不恰好在光屏上。所以只有一定（前后）范围内的物点能成清晰的像，这个范围谓之景深（depth of field）。

（高斯）成像公式^[29]给出透镜成像的比例关系，而由 [2] 的规律，理想成像位置在焦点后方。当：

• 假装焦距和像距相等（物距充分大，成像公式中物距倒数那项充分小，可以忽略）
• 假装所有物点都理想成像，即发出的光线在透镜后恰好在光屏上汇聚
• （暂时）假装没有变形（distortion）（参考 [20,23,24]，一种常见变形是径向变形（radial distortion），其又可细分为枕型（pincushion）和桶型（barrel））

时，可以用小孔成像的模型近似透视投影的过程，参考 [20-24]。此时成的实像是掉转的（即实像的 x’、y’ 正向与相机座标系的 $x_c$、$y_c$ 正向相反），为了方便，这一步变换一般基于实像关于光心点对称所得虚像进行描述，这个像就是正的（x、y 正向与 $x_c$、$y_c$ 正向相同），跟人看到的一样。由相似三角形（图示见 [21,22]），有：$$\frac{z_c}{z}=\frac{x_c}{x}=\frac{y_c}{y}$$ 此处 z 指像距，在小孔相机中 z = f，在透镜相机中其实 $z=f+\Delta$，但这里忽略 $\Delta$。于是： ( x y ) = ( x c z c f y c z c f ) \left(

$$\begin{aligned}x \\ y\end{aligned}$$ \right) = \left( $$\begin{aligned}\frac{x_c}{z_c}f \\ \frac{y_c}{z_c}f\end{aligned}$$ \right) (xy​)= ​zc​xc​​fzc​yc​​f​ ​ 齐次座标下写成：$$z_c\left(\begin{array}{r}x\\ y\\ 1\end{array}\right)=\left[\begin{array}{rlrlrlr}f& & 0& & 0& & 0\\ 0& & f& & 0& & 0\\ 0& & 0& & 1& & 0\end{array}\right]\left(\begin{array}{r}{x}_c\\ y_c\\ z_c\\ 1\end{array}\right)$$

digitalisation

（虚像的）图像座标系与像素座标系有两点不同：

• 原点：图像座标系原点在成像平面中心（与光轴的交点），记为 $(c_x,c_y)$；像素座标系的在左上角；
• 单位：图像座标系的长度单位是厘米等物理长度单位，像素座标系的单位是像素。

所以从图像座标系到像素座标系的转变包括平移和缩放： ( u v ) = ( k ⋅ x + c x l ⋅ y + c y ) = ( k f x c z c + c x l f y c z c + c y ) \left(

$$\begin{aligned}u \\ v\end{aligned}$$ \right) = \left( $$\begin{aligned}k\cdot x + c_x \\ l\cdot y + c_y\end{aligned}$$ \right) = \left( $$\begin{aligned}kf\frac{x_c}{z_c} + c_x \\ lf\frac{y_c}{z_c} + c_y\end{aligned}$$ \right) (uv​)=(k⋅x+cx​l⋅y+cy​​)= ​kfzc​xc​​+cx​lfzc​yc​​+cy​​ ​ 其中 $c_x$、$c_y$ 是图像座标系原点相对于像素座标系原点的偏移，单位是厘米这种的；k、l 是两个方向上的分辨率，单位相应地是 $pixel/cm$。齐次座标下写成 ：$$\left(\begin{array}{r}u\\ v\\ 1\end{array}\right)=\left(\begin{array}{r}kf\frac{x_c}{z_c}+c_x\\ lf\frac{y_c}{z_c}+c_y\\ 1\end{array}\right)=\left(\begin{array}{r}kf{x}_c+c_x\cdot z_c\\ lf{y}_c+c_y\cdot z_c\\ z_c\end{array}\right)=\left[\begin{array}{rlrlrlr}kf& & 0& & c_x& & 0\\ 0& & lf& & c_y& & 0\\ 0& & 0& & 1& & 0\end{array}\right]\left(\begin{array}{r}{x}_c\\ y_c\\ z_c\\ 1\end{array}\right)$$

camera matrix

将上式改写成： ( u v 1 ) = [ k f 0 c x 0 l f c y 0 0 1 ] ⏟ K ′ [ I 0 ] ( x c y c z c 1 ) \left(

$$\begin{aligned}u \\ v \\ 1\end{aligned}$$ \right) = \underbrace{\left[ $$\begin{aligned}kf && 0 && c_x \\ 0 && lf && c_y \\ 0 && 0 && 1 \end{aligned}$$ \right]}_{\boldsymbol{K}'} [\boldsymbol{I}\quad0] \left( $$\begin{aligned}x_c \\ y_c \\ z_c \\ 1\end{aligned}$$ \right) ​uv1​ ​=K′ ​kf00​​0lf0​​cx​cy​1​ ​​​[I0] ​xc​yc​zc​1​ ​ 其中 ${\mathbf{K}}^{\prime }$ 谓之相机矩阵（camera matrix），此时没有考虑扭曲（skewness）。扭曲指相机座标系的 $x_c$、$y_c$ 两轴不是严格的直角，记两轴所夹角度为 $\varphi$，参考 [20,23,24]，考虑扭曲校正之后的相机矩阵为：$$\mathbf{K}=\left[\begin{array}{rlrlr}kf& & -kf\cot \varphi & & c_x\\ 0& & lf\csc \varphi & & c_y\\ 0& & 0& & 1\end{array}\right]$$ 有 5 个自由度，即 $\alpha =kf$、$\beta =lf$、$\varphi$、$c_x$、$c_y$，合称内参（intrinsic parameters）。

TODO

立体/双目视觉（stereo vision）、对极几何（epipolar geometry）

• 多视角立体视觉简介（仅限初学者）
• 对极几何及单应矩阵
• 双目视觉（stereo vision）
• StereoVision–立体视觉（1）

References

1. 光心
2. 凸透镜成像规律
3. 世界坐标系，相机坐标系，图像坐标系，像素坐标系
4. 世界坐标系
5. Cameras
6. 计算机视觉：相机成像原理：世界坐标系、相机坐标系、图像坐标系、像素坐标系之间的转换
7. （四十）通俗易懂理解——相机坐标转换
8. 世界坐标系，相机坐标系，图像坐标系，像素坐标系的转换
9. Aircraft principal axes
10. Pitch, yaw, and roll
11. Roll, Pitch, and Yaw
12. 无人机的偏航角，滚动角，俯仰角解释
13. 坐标系和yaw, pitch, roll等基础概念
14. 简单理解3D系统中pitch/yaw/roll 的基本概念
15. 当我们说相机的位姿的时候，我们在说什么？
16. 什么是相机的位姿 ？
17. 罗德里格斯旋转公式（Rodrigues’ rotation formula）推导
18. 三维空间下的 Rodrigues 旋转公式
19. 图像处理——罗德里格斯公式反推旋转角度和旋转向量
20. 相机的那些事儿 (二)成像模型
21. SLAM入门之视觉里程计(2)：相机模型（内参数，外参数）
22. 相机成像的几何描述
23. Camera Models and Imaging
24. CS231A Course Notes 1: Camera Models
25. Homogeneous Coordinates（译文：关于齐次坐标的理解（经典））
26. 从零开始一起学习SLAM | 为什么要用齐次坐标？
27. 齐次坐标的理解
28. 凸透镜成像和小孔成像的原理分别是什么？有哪些区别和联系？
29. 成像公式
30. (ECCV 2020) NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis - ecva, supplementary, code, pytorch 复现
31. OpenGL Projection Matrix
32. 视差Disparity与深度图
33. 立体匹配入门指南（8）：视差图、深度图、点云
34. 三维激光点云到二维图像的投影
35. 深度图与3D点云互转
36. 处理点云数据(四)：点云到图像平面的投影
37. 基于深度学习的单目深度估计综述
38. 单目深度估计
39. 单目视觉深度估计测距的前生今世
40. 单目深度估计综述： Monocular Depth Estimation survey
41. NeRF代码解读-相机参数与坐标系变换