上海，2024年5月16日 – 在计算机视觉领域，单应矩阵作为连接不同视角下同一平面场景的关键桥梁，其高效计算一直是研究人员关注的焦点。近日，东华大学、上海交通大学和中国科学院自动化研究所的联合研究团队取得一项突破性进展，他们提出两种基于几何的单应矩阵分解算法，能够在显著降低计算量的同时，大幅提升计算速度，为二维码扫描等视觉应用带来革命性提升，并有望推动射影几何、计算机视觉和图形学等领域的进步。
这项研究成果以论文《Fast and Interpretable 2D Homography Decomposition: Similarity-Kernel-Similarity and Affine-Core-Affine Transformations》（快速且可解释的二维单应矩阵分解：相似-核-相似变换与仿射-核-仿射变换）为载体，已被计算机视觉顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI)接收。论文由东华大学蔡棽副教授、上海交通大学严骏驰教授和中国科学院自动化所申抒含研究员共同指导，东华大学视觉与几何感知实验室的吴展豪、郭凌希、王佳纯、张斯禹四位学生为共同第一作者。
单应矩阵：计算机视觉的基石
单应矩阵，又称二维射影变换，是一个描述两个平面之间映射关系的3×3矩阵，拥有8个自由度（在相差一个尺度因子下）。它在计算机视觉中扮演着至关重要的角色，广泛应用于图像拼接、相机标定、增强现实、三维重建等领域。例如，在二维码扫描中，单应矩阵用于将摄像头拍摄到的倾斜二维码图像校正为正面视图，以便进行解码。
传统的单应矩阵计算方法通常需要至少四个对应点，并通过求解一个稀疏线性方程组来获得。然而，这种方法计算复杂度较高，尤其是在需要实时处理大量图像的场景下，计算效率成为瓶颈。
几何分解：化繁为简的创新思路
为了克服传统方法的局限性，研究团队另辟蹊径，从几何角度出发，提出了两种全新的单应矩阵分解算法：Similarity-Kernel-Similarity (SKS)变换和Affine-Core-Affine (ACA)变换。这两种算法的核心思想是将复杂的单应矩阵分解为一系列简单的几何变换的组合，从而降低计算复杂度，提高计算效率。
-
Similarity-Kernel-Similarity (SKS)变换： SKS变换将单应矩阵分解为三个连续的变换：一个相似变换（Similarity Transformation）、一个核变换（Kernel Transformation）和一个相似变换。相似变换包括旋转、缩放和平移，核变换则负责处理剩余的射影畸变。这种分解方式的优势在于，相似变换的计算非常高效，而核变换的参数可以通过简单的公式直接计算得到，无需求解复杂的方程组。
-
Affine-Core-Affine (ACA)变换： ACA变换则将单应矩阵分解为三个连续的变换：一个仿射变换（Affine Transformation）、一个核心变换（Core Transformation）和一个仿射变换。仿射变换包括线性变换和平移，核心变换同样负责处理剩余的射影畸变。与SKS变换类似，ACA变换也能够有效地降低计算复杂度，提高计算效率。
实验结果：性能飞跃，应用前景广阔
为了验证所提出算法的有效性，研究团队进行了大量的实验。实验结果表明，相比于目前通用的求解稀疏线性方程组方法，SKS和ACA算法能够将四点求解单应的计算量减少95%以上，计算速度提升数十倍。这意味着在二维码扫描等典型视觉应用中，可以显著减少计算消耗，提高扫描速度和准确率。
更重要的是，SKS和ACA算法具有良好的可解释性。通过将单应矩阵分解为一系列简单的几何变换，可以更直观地理解单应矩阵的作用，并为进一步的分析和优化提供依据。
除了二维码扫描，SKS和ACA算法还具有广泛的应用前景。例如，在图像拼接中，可以利用SKS和ACA算法快速计算图像之间的单应矩阵，实现高效的图像配准和融合。在增强现实中，可以利用SKS和ACA算法将虚拟物体准确地叠加到真实场景中，提高增强现实的体验。
专家点评：计算机视觉领域的重要贡献
对于这项研究成果，多位计算机视觉领域的专家给予了高度评价。
“这项工作从几何角度出发，提出了两种全新的单应矩阵分解算法，为单应矩阵计算提供了一种新的思路。”一位不愿透露姓名的资深计算机视觉专家表示，“SKS和ACA算法不仅能够显著降低计算量，提高计算效率，还具有良好的可解释性，为进一步的研究和应用奠定了基础。这项研究成果是计算机视觉领域的一项重要贡献。”
上海交通大学严骏驰教授表示：“这项工作是学生们在几何理解和算法设计方面的一次成功尝试。通过将复杂的单应矩阵分解为一系列简单的几何变换，我们不仅提高了计算效率，还为单应矩阵的应用开辟了新的可能性。”
东华大学蔡棽副教授表示：“这项研究成果是团队长期努力的结果。我们希望通过这项工作，能够为计算机视觉领域的研究人员提供一种新的工具和方法，推动计算机视觉技术的进步。”
中国科学院自动化所申抒含研究员表示：“这项工作体现了交叉学科研究的优势。通过将几何学、计算机视觉和优化理论相结合，我们成功地解决了单应矩阵计算中的一个难题。我们希望这项工作能够启发更多的研究人员，开展更多有意义的交叉学科研究。”
开源代码：助力学术界和工业界
为了方便学术界和工业界的研究人员使用SKS和ACA算法，研究团队已经将代码开源，并提供详细的文档和示例。研究人员可以通过访问论文主页（http://www.cscvlab.com/research/SKS-Homography）获取相关资源。
此外，研究团队还设立了奖金激励计划，鼓励研究人员利用SKS和ACA算法解决实际问题，并分享研究成果。
未来展望：推动计算机视觉技术发展
SKS和ACA算法的提出，为单应矩阵计算带来了革命性的变革。随着计算机视觉技术的不断发展，单应矩阵将在更多的领域发挥重要作用。相信SKS和ACA算法将在未来的计算机视觉研究和应用中发挥越来越重要的作用，推动计算机视觉技术的进步。
研究团队介绍
-
东华大学视觉与几何感知实验室： 东华大学视觉与几何感知实验室致力于计算机视觉、几何建模、增强现实等领域的研究。实验室拥有先进的实验设备和优秀的科研团队，承担了多项国家和省部级科研项目。
-
上海交通大学： 上海交通大学是中国顶尖的研究型大学之一，在计算机科学、人工智能等领域具有雄厚的实力。
-
中国科学院自动化研究所： 中国科学院自动化研究所是中国领先的自动化研究机构，在模式识别、智能控制等领域具有重要的影响力。
论文信息
- 论文标题： Fast and Interpretable 2D Homography Decomposition: Similarity-Kernel-Similarity and Affine-Core-Affine Transformations
- 期刊： IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI)
- 论文主页： http://www.cscvlab.com/research/SKS-Homography
关键词： 单应矩阵，计算机视觉，几何分解，二维码扫描，图像拼接，增强现实，SKS变换，ACA变换，IEEE T-PAMI
联系方式：
蔡棽 (东华大学)
严骏驰 (上海交通大学)
申抒含 (中国科学院自动化研究所)
结束语
这项突破性的研究成果不仅解决了单应矩阵计算中的一个关键难题，也为计算机视觉领域的研究人员提供了一种新的思路和方法。我们期待SKS和ACA算法能够在未来的计算机视觉研究和应用中发挥越来越重要的作用，推动计算机视觉技术的进步，为人类生活带来更多的便利和惊喜。
Views: 0