原帖地址：http://www.cnblogs.com/gemstone/archive/2011/12/20/2294551.html
先思考一个问题：用两个相机在不同的位置拍摄同一物体，如果两张照片中的景物有重叠的部分，我们有理由相信，这两张照片之间存在一定的对应关系，本节的任务就是如何描述它们之间的对应关系，描述工具是对极几何 ，它是研究立体视觉的重要数学方法。
要寻找两幅图像之间的对应关系，最直接的方法就是逐点匹配，如果加以一定的约束条件对极约束(epipolar constraint)，搜索的范围可以大大减小。
先回顾简单的立体成像系统
对极约束的图示
更一般的立体成像关系：两个相机的坐标无任何约束关系，相机的内部参数可能不同，甚至是未知的。要刻画这种情况下的两幅图像之间的对应关系，需要引入两个重要的概念——对极矩阵(Epipolar Matrix)和基本矩阵(Fundamental Matrix)。
对极几何中的重要概念（参考下图）：
极点：极点
e
l
:右相机坐标原点在左像平面上的像；极点
e
r
:左相机坐标原点在右像平面上的像
极平面：由两个相机坐标原点
O
l
、
O
r
和物点P组成的平面
级线：极平面与两个像平面的交线，即
p
l
e
l
和
p
r
e
r
级线约束：两极线上点的对应关系
有点烦人，先转移一下话题：What would Pinhead’s eye look like close up?
如果两个人同时看这一景物，将是什么样的呢？
再回到对极几何图上来，通过上面几幅图示，利用对极几何的约束关系，我们可以：
1. 找到物点P在左像平面上的像点
p
l
；
2. 画出极线
p
l
e
l
；
3. 找到极平面
O
l
p
l
e
l
与右像平面的交线，即得极线
p
r
e
r
；
4. 像点
p
l
的对应点一定在极一
p
r
e
r
上。
两个相机坐标系之间的关系为
由于R是正交矩阵，因此可写为
三向量共面，它们的混合积为零(混合积对应于有向体积)
将向量乘(叉乘)写成矩阵的形式
通过进一步的改写，可以得到左像点和右像点之间约束关系(非常简单、漂亮)
显然，左像点
p
l
和右像点
p
r
是通过矩阵
E
=
R
S
来约束的，我们称矩阵
E
为本质矩阵(Essential Matrix)，它的基本性质有：
• has rank 2(秩为2)
• depends only on the EXTRINSIC Parameters (R & T)(仅依赖于外部参数R和T)
关于本质矩阵的性质，见下一节：立体视觉基础5——本质矩阵与基本矩阵