給定同一相機在不同角度拍攝的不同照片，如何標定計算機的內參(焦距、主點)、外參(主要是旋轉矩陣)？
opencv的圖片拼接demo stitching_detailed中有示例
主要過程：
1.surf /orb算法查找兩個圖片的特徵點;
2.匹配兩個圖片的特徵點，匹配過程中使用RANSAC算法計算單應矩陣;
3.根據單應矩陣計算焦距;
4.根據單應矩陣、焦距等參數計算旋轉矩陣;
5.計算主點.
1.單應矩陣計算
單應矩陣是在匹配特徵點的過程中得到的
BestOf2NearestMatcher::match->cvFindHomography->runRANSAC關鍵過程：
1)cvConvertPointsHomogeneous
二維座標轉齊次座標，方便計算H矩陣，這裏只是做了簡單的行列轉換，並增加了一列。
2)estimator.runRANSAC
運行RANSAC算法，目標是找到兩福圖像特徵點之間的映射關係，也就是單應矩陣H，
基本原理：
從兩幅圖像的特徵點中隨機找到4對不同的特徵點，每對特徵點齊次座標對記爲(p1,p2)，然後計算矩陣方程的p1=H*p2解，也就是H的估計值，然後把所有特徵點代入，記錄每次得到的內點(也就是符合解的點)的數量，
迭代若干次(初始2000次，根據RANSAC算法會指數性減少)，每次都記錄內點數最多的解，最終將內點最多的解作爲單應矩陣H的最優解。
關鍵過程：
<1> CvModelEstimator2::getSubset 從輸入的特徵點中獲取隨機4對特徵點，這些特徵點要滿足在各自圖像上不能在同一直線(否則方程可能無法求解)，爲找到這些點需要迭代最多300次，調用checkSubset檢查直線；
<2> CvHomographyEstimator::runKernel 求解4對特徵點構成的8個方程組，得到一次H矩陣的解,H矩陣是3×3矩陣，歸一化後剩餘8個未知數，一對特徵點產生兩個方程，所以需要4個特徵點對產生8個方程
<3> CvModelEstimator2::findInliers 根據得到的H估計解，代入所有特徵點，計算內點，返回內點數、內點mask等，之後會根據每次返回的最大內點數，確定H的最優解；
<4> cvRANSACUpdateNumIters 通過置信度、當前解的內點數等參數更新需要迭代的次數，會從初始的2000次指數性降低。
之後opencv會對返回的內點mask將原來兩幅圖的特徵點放入返回的MatchesInfo結構中，並且再次對這些內點計算其單應矩陣，作爲最終的H矩陣。
BestOf2NearestMatcher::match
2.根據單應矩陣估計內參：焦距
HomographyBasedEstimator::estimate->estimateFocal->focalsFromHomography直接用公式根據H矩陣計算得到焦距。
原理：
參考《Construction of Panoramic Image Mosaics with Global and Local Alignment.pdf》第3.2節以及第5節
基本解釋：
同一個空間點P(x,y,z)在兩個圖像上的點分別爲P1(x1,y1),P2(x2,y2)，根據相機座標系和世界座標系變換公式：P1=K1*R1*P,P2=K2*R2*P，其中Ki,Ri分別爲兩個圖像對應的相機的內參和旋轉矩陣，
由於空間P是同一個點，那麼P1=K1*R1*R2的逆*K2的逆*P2=K1*R12*K2的逆*P2，已知P1P2的單應矩陣H(通過RANSAC算法求出)，那麼H=K1*R12*K2的逆，Ki作爲內參主要有焦距和主點，主點可以忽略，
R12爲圖像1到圖像2的旋轉矩陣，那麼H矩陣中只包含旋轉矩陣和焦距參數，根據旋轉矩陣的正交性，可以求解得到焦距，使焦距成爲H矩陣各個元素的表達式，從而求得焦距的估計值。
opencv對每幅圖像求一個焦距然後取其中間值作爲warp球體的半徑。
3.計算外參：旋轉矩陣
在HomographyBasedEstimator::estimate中除了估算焦距之外，還估算了旋轉矩陣：findMaxSpanningTree(num_images, pairwise_matches, span_tree, span_tree_centers);
span_tree.walkBreadthFirst(span_tree_centers[0], CalcRotation(num_images, pairwise_matches, cameras));
findMaxSpanningTree：
由於可能輸入多個圖像，產生了多個匹配特徵點的MatchesInfo結構，每個MatchesInfo包含兩幅圖像之間匹配的特徵點(內點)以及H矩陣，需要確定這些圖像之間的鄰接關係，
這裏以兩幅圖像之間的內點數量爲權值構建最大生成樹，保證這樣的一個圖片序列兩兩之間的內點數最多，也就最有可能是鄰接的；
span_tree.walkBreadthFirst:
用廣度優先遍歷這棵最大生成樹，分別計算每兩個鄰接圖像(也就是每個相機)的旋轉矩陣R。
原理：
根據上面的公式：H=K1*R12*K2的逆，R12=K1的逆*H*K2,R1=R2*R12=R2*K1的逆*H*K2，已知上幅圖像的R、兩個相機的內參Ki(焦距、主點)、兩幅圖的單應矩陣H，可以求得下幅圖的R。