如何在不分解的前提下验证Essential Matrix的正确性？

以下是几种无需分解Essential Matrix（E）即可验证其有效性的实用方法：

1. 验证Essential Matrix的固有约束 #

Essential Matrix必须满足两个核心数学约束：

• 矩阵的秩为2
• 奇异值满足[σ, σ, 0]的形式（两个相等的非零奇异值，一个零奇异值）

可以通过SVD分解直接验证：

• 调用cv::SVD对E做奇异值分解，得到奇异值向量
• 检查前两个奇异值是否近似相等（可设置相对误差阈值，比如5%以内），第三个奇异值是否接近0（比如远小于前两个奇异值的1/100）

示例代码片段：

cv::Mat E; // 已计算得到的Essential Matrix
cv::SVD svd(E);
cv::Mat singularValues = svd.w;
// 考虑浮点误差，设置合理阈值
bool isValidStructure = (abs(singularValues.at<double>(0) - singularValues.at<double>(1)) < 1e-3) && 
                        (singularValues.at<double>(2) < 1e-3);

2. 用匹配点验证对极约束 #

Essential Matrix的核心作用是满足对极约束：x2^T * E * x1 ≈ 0，其中x1、x2是归一化到相机坐标系的匹配点（需用相机内参矩阵K做逆变换，将像素坐标转换为归一化坐标）。

• 将所有匹配的像素点转换为归一化坐标
• 对每一对匹配点计算x2.t() * E * x1的绝对值，统计满足该值小于阈值（比如1e-3）的点的数量
• 如果满足约束的点占比远低于正常帧的比例，说明E大概率存在问题

示例代码片段：

cv::Mat K; // 相机内参矩阵
std::vector<cv::Point2f> pts1, pts2; // 已匹配的像素点对
std::vector<cv::Mat> normPts1, normPts2;

// 转换为归一化坐标
for (size_t i = 0; i < pts1.size(); ++i) {
    cv::Mat pt1 = (cv::Mat_<double>(3,1) << pts1[i].x, pts1[i].y, 1.0);
    normPts1.push_back(K.inv() * pt1);
    
    cv::Mat pt2 = (cv::Mat_<double>(3,1) << pts2[i].x, pts2[i].y, 1.0);
    normPts2.push_back(K.inv() * pt2);
}

// 统计符合对极约束的点数量
int validCount = 0;
const double threshold = 1e-3;
for (size_t i = 0; i < normPts1.size(); ++i) {
    double val = abs(normPts2[i].t() * E * normPts1[i]).at<double>(0);
    if (val < threshold) validCount++;
}
double validRatio = static_cast<double>(validCount) / normPts1.size();
// 若validRatio远低于历史正常水平，判定E异常

3. 基于对极线的连贯性校验 #

如果是连续帧的姿态估计，当前E对应的对极线应该和匹配点有合理的对应关系：

• 对图像1中的每个匹配点x1，计算其在图像2中的对极线l2 = E * x1
• 统计图像2中对应匹配点到对极线l2的平均距离
• 如果该平均距离远大于正常帧的数值，说明E不符合当前帧的运动连贯性，存在错误

内容的提问来源于stack exchange，提问作者Milan