深入OpenCV源码：triangulatePoints函数里的SVD求解与精度陷阱

OpenCV三角测量核心实现：从SVD求解到工程实践中的12个精度陷阱

在双目视觉系统中，三维点云的精确重建往往依赖于三角测量算法的稳健性。OpenCV作为计算机视觉领域的瑞士军刀，其triangulatePoints函数内部实现了一套基于SVD分解的求解框架。但许多开发者发现，在实际应用中该函数的重建结果有时会出现明显偏差——这背后隐藏着从数值计算稳定性到工程实现细节的一系列精度陷阱。

1. 三角测量的数学本质与OpenCV实现路径

三角测量的核心思想是利用两个相机观测同一空间点时形成的视差来恢复深度信息。假设我们有两个相机，它们的投影矩阵分别为P₁和P₂，观测到的匹配点对是(u₁,v₁)和(u₂,v₂)。根据相机成像模型，我们可以建立如下方程组：

P₁ * [X; Y; Z; 1] = λ₁ * [u₁; v₁; 1]
P₂ * [X; Y; Z; 1] = λ₂ * [u₂; v₂; 1]

OpenCV采用的解法是将这个超定方程组转化为齐次线性系统Ax=0的形式。具体来说，对于每个观测点，我们可以得到两个线性方程：

// 构造系数矩阵A的核心代码段
for(int j=0; j<2; j++) {
    double x = cvmGet(projPoints[j],0,i);
    double y = cvmGet(projPoints[j],1,i);
    for(int k=0; k<4; k++) {
        matrA(j*2+0,k) = x*cvmGet(projMatrs[j],2,k) - cvmGet(projMatrs[j],0,k);
        matrA(j*2+1,k) = y*cvmGet(projMatrs[j],2,k) - cvmGet(projMatrs[j],1,k);
    }
}

这个构造过程实际上是在消除齐次坐标的尺度因子λ，将投影方程转化为关于三维点坐标的线性约束。最终形成的4×4矩阵A的SVD分解成为求解的关键。