计算机视觉中基本矩阵是什么，他和本质矩阵的区别

在计算机视觉中，基本矩阵（Fundamental Matrix）和本质矩阵（Essential Matrix）是描述二维图像平面间相对姿态的两种关键矩阵，它们主要用于立体视觉中的相机校准和三维重建。

**基本矩阵**：
- 基本矩阵是用来描述两个视角下同一点在图像中的对应关系的。它是一个3x3矩阵，如果两个视角的相机坐标系之间有一定程度的平行移动或旋转，那么它们之间的基本矩阵就是存在的。
- 基本矩阵的一个重要性质是，它可以由一对对应点的对齐向量通过七参数模型（即单应性矩阵）简化得到。如果A和B分别是两个图像中的对应点，那么它们到相机中心的投影向量a和b满足a^T * F * b = 0。
- 当存在第三对对应点时，基本矩阵可以通过三对点唯一确定。

**本质矩阵**：
- 本质矩阵是在基本矩阵的基础上，进一步考虑了相机的旋转和平移是不可分割的情况。在理想情况下，当相机只做旋转运动时，相机中心的平移会导致图像上的对应点线性相关，这就是本质矩阵所描述的。
- 本质矩阵同样是一个3x3矩阵，但它的元素比基本矩阵更受约束，因为它表示的是经过旋转和平移变换后的投影向量之间的关系。本质上，本质矩阵是基本矩阵在排除平移后的形式。
- 本质矩阵是通过五个参数（三个旋转角和平移向量的两个分量）定义的，对于相同的视点对，本质矩阵的存在并不唯一，因为旋转和平移的组合可以产生同一个基本矩阵。

**区别**：
- 基本矩阵适用于所有非平行移动的情况，而本质矩阵只适用于相机只做旋转运动的情况。
- 基本矩阵包含七参数，本质矩阵则包含五参数，因此本质矩阵提供了一种更精确地描述相机旋转和平移组合的方式。
- 求解本质矩阵时通常需要先估计基本矩阵，然后通过进一步的处理消除平移影响，而基本矩阵的求解相对直接一些。