快速且可解释的二维单应矩阵分解：相似性-核-相似性与仿射-核-仿射变换
计算机视觉与模式识别
2024-02-29 v1
摘要
在本文中，我们提出了两种快速且可解释的二维单应矩阵分解方法，分别命名为相似性-核-相似性 (SKS) 和仿射-核-仿射 (ACA) 变换。在最小 点配置下，SKS 中的第一个和最后一个相似性变换分别由目标平面和源平面上的两个锚点计算得出。然后，可以利用另外两个点对应关系来计算仅包含四个参数的中间核变换。此外，ACA 使用三个锚点来计算第一个和最后一个仿射变换，然后利用另一个点对应关系计算中间核变换。ACA 可以在没有任何除法运算的情况下，仅用 次浮点运算 (FLOPs) 计算出一个尺度下的单应矩阵。因此，作为一个即插即用模块，ACA 促进了传统的基于特征的随机采样一致性 (RANSAC) 流程，以及估计 点偏移量的深度单应矩阵流程。除了几何参数化和计算效率方面的优势外，SKS 和 ACA 还可以通过输入坐标的多项式（ 次到 次）来表达单应矩阵的每个元素，扩展了现有的基本相似性-仿射-投影 (SAP) 分解，并以统一的方式计算二维仿射变换。源代码发布在 https://github.com/cscvlab/SKS-Homography。
引用
@article{arxiv.2402.18008,
title = {Fast and Interpretable 2D Homography Decomposition: Similarity-Kernel-Similarity and Affine-Core-Affine Transformations},
author = {Shen Cai and Zhanhao Wu and Lingxi Guo and Jiachun Wang and Siyu Zhang and Junchi Yan and Shuhan Shen},
journal= {arXiv preprint arXiv:2402.18008},
year = {2024}
}